SelfOccFlow: 面向端到端自监督三维占据流预测
计算机视觉与模式识别
2026-03-02 v1
摘要
估计车辆周围环境的三维占据和运动对于自动驾驶至关重要，能够实现对动态环境的情境感知。现有方法联合学习几何和运动，但依赖于昂贵的三维占据和流标注、来自边界框的速度标签或预训练的光流模型。我们提出了一种用于三维占据流估计的自监督方法，消除了对人工标注或外部流监督的需求。我们的方法将场景解耦为独立的静态和动态有符号距离场，并通过时间聚合隐式学习运动。此外，我们引入了一种源自特征余弦相似度的强自监督流线索。我们在SemanticKITTI、KITTI-MOT和nuScenes上展示了我们三维占据流方法的有效性。
引用
@article{arxiv.2602.23894,
title = {SelfOccFlow: Towards end-to-end self-supervised 3D Occupancy Flow prediction},
author = {Xavier Timoneda and Markus Herb and Fabian Duerr and Daniel Goehring},
journal= {arXiv preprint arXiv:2602.23894},
year = {2026}
}
备注
Accepted version. Final version is published in IEEE Robotics and Automation Letters, DOI: 10.1109/LRA.2026.3665447