PCSTracker：点云序列的长期场景流估计
计算机视觉与模式识别
2026-03-23 v1
摘要
点云场景流估计是长期和细粒度 3D 运动分析的基础问题。然而，现有方法通常受限于两两设置，难以在几何演化、遮挡出现和误差累积的情况下维持长序列的时间一致性。在本工作中，我们提出了 PCSTracker，首个专为点云序列一致场景流估计而设计的端到端框架。具体而言，我们引入了迭代几何运动联合优化模块 (IGMO)，显式建模点特征的时间演化，以缓解因动态几何变化导致的对应不一致性。此外，提出了时空点轨迹更新模块 (STTU)，以利用更广的时间上下文推断遮挡点的可行位置，确保运动估计的连贯性。为进一步处理长序列，我们采用重叠滑动窗口推理策略，该策略在窗口之间交替进行跨窗口传播和窗口内细化，有效抑制误差累积，维持稳定的长期运动一致性。大量实验表明，PCSTracker 在长期场景流估计方面取得最佳准确率，维持 32.5 FPS 的实时性能，同时在 RGB-D 方法之上展现出优越的 3D 运动理解能力。
引用
@article{arxiv.2603.19762,
title = {PCSTracker: Long-Term Scene Flow Estimation for Point Cloud Sequences},
author = {Min Lin and Gangwei Xu and Xianqi Wang and Yuyi Peng and Xin Yang},
journal= {arXiv preprint arXiv:2603.19762},
year = {2026}
}
备注
Accepted in CVPR 2026 (Findings)