EgoFlowNet：基于自我运动的点云非刚性场景流估计
计算机视觉与模式识别
2024-07-04 v1
摘要
最近的弱监督LiDAR点云场景流估计方法局限于对对象级别的显式推理。这些方法为每个刚性对象执行多次迭代优化，因而对聚类鲁棒性较差。本文提出了我们的EgoFlowNet - 一个在弱监督方式下训练的点级场景流估计网络，无需对象抽象。我们的 approach 通过预测二值分割掩码来隐式驱动两个平行分支进行自我运动和场景流预测。不同于先前方法，我们为两个分支提供所有输入点，并仔细将二值掩码集成到特征提取和损失中。我们还使用在多个尺度上更新的共享代数体积进行局部细化，无需显式聚类或刚性假设。在真实的KITTI场景上，我们表明我们的EgoFlowNet在地面点上优于最先进的方法。
引用
@article{arxiv.2407.02920,
title = {EgoFlowNet: Non-Rigid Scene Flow from Point Clouds with Ego-Motion Support},
author = {Ramy Battrawy and René Schuster and Didier Stricker},
journal= {arXiv preprint arXiv:2407.02920},
year = {2024}
}
备注
This paper is published in BMVC2023 (pp. 441-443)