SceneFlowFields++: Multi-frame Matching, Visibility Prediction, and Robust Interpolation for Scene Flow Estimation
PulseAugur coverage of SceneFlowFields++: Multi-frame Matching, Visibility Prediction, and Robust Interpolation for Scene Flow Estimation — every cluster mentioning SceneFlowFields++: Multi-frame Matching, Visibility Prediction, and Robust Interpolation for Scene Flow Estimation across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
MeshBind 自动标注自动驾驶中的非刚性场景流
研究人员开发了 MeshBind，一种用于自动标注行人等非刚性物体场景流的新颖方法，这对于自动驾驶和机器人技术至关重要。该系统从环绕摄像头重建关节网格模型，并将其注册到 LiDAR 数据。它采用局部帧绑定技术和三层流注册管道来实现每点流标注。还发布了一个基于 SUScape 数据集的新基准 SFB，该基准具有广泛的非刚性行人标注和一个显著改善微调结果的评估协议。
-
新的URS-Stereo框架通过不确定性引导增强实时立体匹配
研究人员开发了URS-Stereo，一个新颖的实时立体匹配框架，专为需要速度和精度的应用而设计，例如机器人和自主系统。该系统引入了一个不确定性引导残差搜索模块（UGRSM），该模块可预测传播的视差估计的可靠性。该模块自适应地调整局部成本体积的搜索区域，在不牺牲计算效率的情况下提高了对应估计的鲁棒性。在包括SceneFlow、KITTI、Middlebury和ETH3D在内的各种数据集上的实验表明，URS-Stereo在保持实时性能的同…
-
新方法匹配二维多边形以进行姿态估计
研究人员引入了一种新颖的预训练模型零样本多边形匹配（Z(PM)2）范式，以应对立体图像中二维多边形匹配的挑战。该方法利用Segment Anything Model等预训练模型将分割掩码矢量化为多边形表示，然后采用结合几何约束的全局和局部匹配策略。Z(PM)2在姿态估计方面表现出强大的性能，并引入了用于三维重建的多边形云概念，在多个数据集上超越了现有方法，且无需特定任务的训练。