FlowStep3D：用于自监督场景流估计的模型展开方法
计算机视觉与模式识别
2021-04-06 v2 机器学习
摘要
估计场景中点的三维运动（称为场景流）是计算机视觉中的一个核心问题。传统为端到端学习三维流而设计的基于学习的方法往往泛化能力差。在此我们提出一种循环架构，其学习展开式迭代对齐过程中用于精化场景流预测的单个步骤。受经典算法启发，我们展示了在使用强正则化的情况下向解的迭代收敛。所提方法能够处理较大的时序形变，并且相比有竞争力的全配对关联方法具有更精简的架构。仅在 FlyingThings3D 合成数据上训练，我们的网络成功泛化到真实扫描数据，在 KITTI 自监督基准上大幅优于所有现有方法。
引用
@article{arxiv.2011.10147,
title = {FlowStep3D: Model Unrolling for Self-Supervised Scene Flow Estimation},
author = {Yair Kittenplon and Yonina C. Eldar and Dan Raviv},
journal= {arXiv preprint arXiv:2011.10147},
year = {2021}
}
备注
CVPR 2021