神经场景流先验

在深度学习革命之前，许多感知算法基于运行时优化与强先验/正则化惩罚的结合。计算机视觉中一个典型的例子是光流与场景流。监督学习已在很大程度上取代了对显式正则化的需求。相反，它们依赖大量标注数据来捕获先验统计，而对于许多问题，这些数据并非总易获得。尽管优化被用于训练神经网络，但该网络权重在运行时是冻结的。因此，这些学习方案是领域特定的，不能很好地泛化到其他统计不同的场景。本文重新审视主要依赖运行时优化与强正则化的场景流问题。这里的核心创新是引入了神经场景流先验，它利用神经网络架构作为一种新型隐式正则化器。与基于学习的场景流方法不同，优化发生在运行时，且我们的方法无需离线数据集——这使其非常适于部署在如自动驾驶等的新环境中。我们展示了仅基于多层感知机（MLP）的架构可用作场景流先验。我们的方法在场景流基准上取得了有竞争力——甚至更好——的结果。此外，我们的神经先验的隐式且连续的场景流表示，使我们能够跨点云序列估计稠密长期对应。稠密运动信息由场景流场表示，其中点可通过积分运动向量随时间传播。我们通过累积一序列激光雷达点云展示了这一能力。