Scene flow estimation by depth map upsampling and layer assignment for camera-LiDAR system
PulseAugur coverage of Scene flow estimation by depth map upsampling and layer assignment for camera-LiDAR system — every cluster mentioning Scene flow estimation by depth map upsampling and layer assignment for camera-LiDAR system across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
扩散模型通过显著性注意力感知增强立体匹配
研究人员开发了StereoDiffuer，一种新颖的基于扩散的立体匹配框架，旨在改善细粒度几何细节的保留。该方法通过整合显著性注意力感知（SAP）模块来捕捉显著的几何线索（如物体边界和锐利边缘），从而迭代地优化视差估计。然后，SAP特征用于指导去噪扩散过程，纠正错误并恢复被抑制的细节，在Scene Flow和KITTI基准测试中表现出竞争力。
-
STEREOFLOW 使用生成框架和扩散变换器推进立体匹配 · 已追踪 2 个来源
研究人员推出了一种新颖的立体匹配生成框架 STEREOFLOW，该框架解决了传统确定性回归方法的局限性。这种新方法将确定性匹配与生成模型相结合，利用了一个两阶段级联网络、一个名为 StereoDiT 的像素扩散变换器以及一个称为 Transition Flow Matching 的流匹配目标。STEREOFLOW 在具有挑战性的区域展现出强大的几何一致性和细节，在包括 Scene Flow、KITTI、ETH3D 和 Middlebu…
-
HilDA框架推动了用于自动驾驶的自监督LiDAR预训练
研究人员推出HilDA，一个新颖的自监督预训练框架，旨在增强自动驾驶应用的LiDAR骨干网络。该框架利用视觉基础模型（VFMs）进行分层和全局上下文蒸馏，以更好地将来自摄像头数据的语义和几何信息与LiDAR序列对齐。HilDA还包含一个时间占用扩散目标，以确保时空一致性。该方法在跨模态蒸馏基准测试中展示了最先进的性能，并在3D目标检测、场景流估计和语义占用预测方面取得了改进结果。