摘要

场景流估计通过预测场景中点的运动来确定场景的三维运动场，特别适用于辅助自动驾驶任务。许多以大规模点云为输入的网络使用体素化方法创建伪图像以实现实时运行。然而，体素化过程通常会导致点特定特征的丢失，这给场景流任务中的特征恢复带来了挑战。本文介绍了DeFlow，该方法通过门控循环单元（GRU）精炼实现了从体素特征到点特征的转换。为了进一步提高场景流估计性能，我们提出了一种新的损失函数，该函数考虑了静态点和动态点之间的数据不平衡问题。在Argoverse 2场景流任务上的评估表明，DeFlow在大规模点云数据上取得了最先进的结果，证明了我们的网络在性能和效率方面优于其他方法。代码已开源，可访问https://github.com/KTH-RPL/deflow 获取。