PointFlowNet：从点云学习刚性运动估计的表示
计算机视觉与模式识别
2019-01-08 v3
摘要
尽管基于图像的 3D 场景流估计取得了显著进展，但此类方法的性能尚未达到许多应用所需的保真度。同时，这些应用通常并不局限于基于图像的估计：例如在自动驾驶汽车的背景下，激光扫描仪提供了传统相机的常用替代方案，因为它们直接生成 3D 点云。在本文中，我们提出使用深度神经网络从这种非结构化点云中估计 3D 运动。在单次前向传递中，我们的模型联合预测 3D 场景流以及场景中物体的 3D 边界框和刚体运动。虽然从非结构化点云估计 3D 场景流前景广阔，但这也是一项具有挑战性的任务。我们证明了传统的刚体运动全局表示阻碍了 CNN 的推断，并提出了一种平移等变表示来规避这一问题。训练我们的深度网络需要大型数据集。因此，我们用虚拟物体增强了来自 KITTI 的真实扫描数据，对遮挡进行了逼真建模并模拟了传感器噪声。与经典方法和基于学习的技术进行的全面比较突显了所提出方法的鲁棒性。
引用
@article{arxiv.1806.02170,
title = {PointFlowNet: Learning Representations for Rigid Motion Estimation from Point Clouds},
author = {Aseem Behl and Despoina Paschalidou and Simon Donné and Andreas Geiger},
journal= {arXiv preprint arXiv:1806.02170},
year = {2019}
}