DoGFlow: 基于跨模态多普勒引导的自监督LiDAR场景流
计算机视觉与模式识别
2025-08-27 v1
摘要
准确的3D场景流估计对于安全地驶入动态环境的自主系统至关重要，但创建必要的大规模人工标注数据集仍是开发稳健感知模型的瓶颈。当前的自监督方法在挑战性的长程和恶劣天气场景中难以匹配完全监督方法的性能，而受监督方法因依赖昂贵的人工标注而不可扩展。我们引入DoGFlow，一种 novel 自监督框架，用于LiDAR场景流估计，无需任何人工 ground truth标注。本文介绍我们的跨模态标签迁移方法，其中DoGFlow直接从4D雷达多普勒测量值中实时计算运动伪标签，并通过 dynamic-aware关联和模糊解决传播将其传递到LiDAR域。在具有挑战性的MAN TruckScenes数据集上，DoGFlow显著优于现有自监督方法，通过仅使用10% ground truth数据，即可使LiDAR主干网络实现超过90%的完全监督性能。更多细节请访问 https://ajinkyakhoche.github.io/DogFlow/
引用
@article{arxiv.2508.18506,
title = {DoGFlow: Self-Supervised LiDAR Scene Flow via Cross-Modal Doppler Guidance},
author = {Ajinkya Khoche and Qingwen Zhang and Yixi Cai and Sina Sharif Mansouri and Patric Jensfelt},
journal= {arXiv preprint arXiv:2508.18506},
year = {2025}
}
备注
Under Review