基于图像点跟踪的 LiDAR 场景流运动线索
计算机视觉与模式识别
2026-05-19 v1
摘要
LiDAR 场景流估计是自动驾驶的关键，因为它为每个点提供 3D 运动信息。自监督方法使用 static-dynamic 分类来缓解 static 和 dynamic 点的不平衡， deriving 有针对性的监督。然而，现有方法依赖稀疏几何观测进行此分类，使其易受数据稀疏和遮挡的影响。 resulting 的噪声标签提供错误的运动指导并降低场景流学习。为此，我们引入 TrackCue，一个基于跟踪的框架，用于改进 LiDAR 场景流估计中的 dynamic 对象表示。具体而言，TrackCue 重新利用点跟踪获取密集的图像空间轨迹，锚定到 LiDAR 点，提供稀疏几何观测之外的运动线索。此外，我们提出一种视觉一致的运动补偿策略，将跟踪的轨迹与 ego-induced 刚性轨迹在图像平面上进行比较，有效地隔离出 true 对象运动与 ego-induced 显然运动。为了将这些隔离的运动线索传递回 LiDAR 域，我们进行视觉运动线索提升，将 ego-compensated 图像轨迹与 LiDAR 点关联，用于 static-dynamic 标签细化。结果，TrackCue 产生更准确的 static-dynamic 分类，为场景流学习提供更可靠的监督。实验结果表明，TrackCue 在 dynamic 标签的精度和 F1 分数方面显著提高，为自监督场景流估计带来性能提升。
引用
@article{arxiv.2605.16922,
title = {Motion Cues from Image-based Point Tracking for LiDAR Scene Flow Estimation},
author = {Youngdong Jang and Gyeongrok Oh and Jong Wook Kim and Hyunju Ryu and Hyung-gun Chi and SeungHyeon Kim and Seungryong Kim and Jonghyun Choi and Sangpil Kim},
journal= {arXiv preprint arXiv:2605.16922},
year = {2026}
}