PointPWC-Net：一种用于三维点云上有监督与自监督场景流估计的由粗到细网络
计算机视觉与模式识别
2020-08-03 v2 机器学习
图像与视频处理
摘要
我们提出了一种新颖的端到端深度场景流模型，称为 PointPWC-Net，以由粗到细的方式处理三维点云上的场景流。在较粗层级计算的流被上采样并扭曲至更细层级，使算法能够适应大幅运动而无需 prohibitive 的搜索空间。我们引入了新颖的代价体、上采样和扭曲层，以高效处理三维点云数据。与传统代价体需要在高维网格上穷举计算所有代价值不同，我们基于点的形式将代价体离散化到输入三维点上，并通过 PointConv 操作高效计算代价体上的卷积。在 FlyingThings3D 上的实验结果大幅优于当前最优方法。我们进一步探索新颖的自监督损失来训练模型，并取得了与采用有监督损失训练的当前最优方法相当的结果。无需任何微调，我们的方法在 KITTI Scene Flow 2015 数据集上也展现出极强的泛化能力，优于以往所有方法。
引用
@article{arxiv.1911.12408,
title = {PointPWC-Net: A Coarse-to-Fine Network for Supervised and Self-Supervised Scene Flow Estimation on 3D Point Clouds},
author = {Wenxuan Wu and Zhiyuan Wang and Zhuwen Li and Wei Liu and Li Fuxin},
journal= {arXiv preprint arXiv:1911.12408},
year = {2020}
}
备注
ECCV 2020