多体神经场景流

场景流的测试时优化——使用坐标网络作为神经先验——因其简洁性、无数据集偏置以及最先进的性能而受到关注。然而，我们观察到，尽管坐标网络通过隐式正则化场景流预测以空间平滑来捕捉一般运动，该神经先验本身无法识别真实世界数据中存在的底层多体刚体运动。为此，我们指出多体刚性无需如先前工作那样繁琐且脆弱地约束每个刚体的 $SE(3)$ 参数即可实现。这是通过对场景流优化进行正则化以鼓励刚体流预测等距来实现的。该策略在保持连续流场的同时实现场景流中的多体刚性，从而允许跨点云序列的稠密长期场景流积分。我们在真实世界数据集上进行了广泛实验，证明我们的方法在 3D 场景流与长期逐点 4D 轨迹预测上优于最先进水平。代码见：https://github.com/kavisha725/MBNSF。