FlowNet3D++：用于深度场景流估计的几何损失
计算机视觉与模式识别
2021-04-27 v3 机器人学
摘要
我们提出 FlowNet3D++，一种深度场景流估计网络。受经典方法启发，FlowNet3D++ 将流场中点到平面距离以及各向量间角度对齐形式的几何约束引入 FlowNet3D。我们证明，这些几何损失项的加入将先前最优的 FlowNet3D 准确率从 57.85% 提升至 63.43%。为了进一步证明几何约束的有效性，我们提出了一种用于动态三维重建任务中流估计的基准，从而提供了比先前用于评估场景流的单项指标分解更整体且实用的性能度量。这得益于我们提出的一种新流程，可将基于点的场景流预测集成到全局稠密体中。FlowNet3D++ 相比 FlowNet3D 实现了高达 15.0% 的重建误差降低，相比单独使用 KillingFusion 实现了高达 35.2% 的改进。我们将于稍后发布我们的场景流估计代码。
引用
@article{arxiv.1912.01438,
title = {FlowNet3D++: Geometric Losses For Deep Scene Flow Estimation},
author = {Zirui Wang and Shuda Li and Henry Howard-Jenkins and Victor Adrian Prisacariu and Min Chen},
journal= {arXiv preprint arXiv:1912.01438},
year = {2021}
}
备注
WACV 2020