SetConv plus plus : Point Cloud Scene Flow Estimation Constrained by Feature Self-Supervision

doi:10.3390/math14101748

2026-05-19

PRE

DOI：10.3390/math14101748

原文链接

原文求助

摘要

En 中文

点云场景流估计旨在捕捉点云序列中每个点的三维运动。尽管该领域已取得进展，但现有方法常面临重大挑战。特别是存在两个关键问题：源点云到目标点云缺乏对应局部信息，导致特征匹配错误；目标区域存在高度相似的相邻结构，因点特征不可区分而产生歧义对应。为解决这些问题，本文提出了一种新颖的自监督点云场景流估计方法。理论上，我们建立了一个融合判别特征学习与概率流精化的新框架。设计了一种新网络架构SetConv++，用于学习更具判别性的点特征表示，增强对相似结构的区分能力。此外，精化模块采用随机游走算法调整初始流估计，通过高置信度周围流重构低置信度流，减少对应缺失问题。关键在于引入新的流平滑损失项，在保证局部一致性的同时抑制误差传播——这是现有方法的基本局限。通过KITTI场景流数据集的全面实验，本文方法展现出优越性能。它在多项标准评估指标上显著优于现有自监督方法。具体而言，在KITTI场景流数据集上，本文方法将端点误差（EPE）降低了13.6%（从0.0411降至0.0355），严格精度（AS）提高了2.43个百分点（从92.68%升至95.11%），相较于基线自监督方法，同时将异常值率（Out）降低了1.5个百分点。这一进展不仅为处理歧义对应提供了稳健的理论框架，还使下游应用（如需要复杂场景下实时运动精度的自动驾驶感知系统）更可靠高效。

Keyword:

self-supervised

neural network

point cloud

scene flow

error propagation

probabilistic flow refinement