التدفق السريع للمشهد العصبي

الشبكة العصبية للتدفق المشهد (Neural Scene Flow Prior - NSFP) تحظى باهتمام كبير في مجتمع الرؤية بسبب قوتها الذاتية في مقاومة تأثيرات البيانات خارج التوزيع (Out-of-Distribution - OOD) وقدرتها على التعامل مع نقاط الليدار الكثيفة. تعتمد هذه الطريقة على استخدام شبكة عصبية إحداثية لتقدير التدفق المشهد أثناء التشغيل، دون الحاجة إلى أي تدريب. ومع ذلك، فإنها أبطأ بمقدار يصل إلى 100 مرة مقارنة بالطرق الحالية المتقدمة التي تعتمد على التعلم. في التطبيقات الأخرى مثل الصور والفيديو وإعادة بناء دالة الإشعاع، ركزت الابتكارات الموجهة نحو تسريع الأداء الزمني للشبكات الإحداثية على تغييرات في الهيكل المعماري. في هذا البحث، نثبت أن التدفق المشهد مختلف -- حيث ينبع العائق الحاسوبي الرئيسي من دالة الخسارة نفسها (مثل المسافة تشامفر Chamfer distance). بالإضافة إلى ذلك، نعيد اكتشاف تحويل المسافة (Distance Transform - DT) كدالة خسارة فعّالة وخالية من المراسلات التي تسرع بشكل كبير عملية الأمثلة الزمنية. تبلغ طريقة الشبكة العصبية السريعة للتدفق المشهد (Fast Neural Scene Flow - FNSF) لأول مرة أداءً زمنيًا حيويًا مماثلًا لطرق التعلم، دون أي تدريب أو تحيز خارج التوزيع على اثنين من أكبر قواعد بيانات الليدار المفتوحة لقيادة السيارات ذاتياً (Autonomous Driving - AV)، وهما Waymo Open وArgoverse.