51-32 CVPR’24 | 3DSFLabelling，通过伪自动标注增强 3D 场景流估计-Toy模板网

这篇具有很好参考价值的文章主要介绍了51-32 CVPR’24 | 3DSFLabelling，通过伪自动标注增强 3D 场景流估计。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

24 年 2 月，鉴智机器人、剑桥大学和上海交通大学联合发布CVPR'24工作，3DSFLabelling: Boosting 3D Scene Flow Estimation by Pseudo Auto-labelling。

提出 3D 场景自动标注新框架，将 3D 点云打包成具有不同运动属性的 Boxes，通过优化每个 Box 运动参数并将源点云 Warp 扭曲到目标点云中，创建了伪 3D 场景流标签。
提出 3D 场景流数据增强方法，引入各种场景运动模式，显著提高了3D场景流标签多样性。

Abstract

从 LiDAR 点云学习 3D 场景流带来了重大困难，包括从合成数据集到真实场景泛化能力差、缺少现实世界 3D 标签以及在真实稀疏 LiDAR 点云上性能差。我们从自动标注角度提出了一种新方法，旨在为真实世界 LiDAR 点云生成大量 3D 场景流伪标签。具体来说，我们采用刚体运动假设来模拟自动驾驶场景中潜在的对象级刚体运动。通过更新 anchor boxes 不同运动属性，得到整个场景刚体运动分解。此外，我们开发了一种新的用于全局和本地运动 3D 场景流数据增强方法。通过基于增强运动参数完美地合成目标点云，我们可以很容易地获得点云中大量与真实场景高度一致的 3D 场景流标签。在包括 LiDAR KITTI、nuScenes 和 Argoverse 在内的多个真实世界数据集上，我们的方法在不需要手工标注情况下优于所有以前有监督和无监督方法。令人印象深刻的是，我们的方法在LiDAR KITTI数据集上实现了EPE3D度量的十倍减少，将误差从0.190m减少到仅0.008m。

https://githu文章来源地址https://www.toymoban.com/news/detail-845304.html

到了这里，关于51-32 CVPR’24 | 3DSFLabelling，通过伪自动标注增强 3D 场景流估计的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！