RFNet-4D++：基于交叉注意力时空特征的4D点云联合物体重建与流场估计

从3D点云中重建物体一直是计算机视觉和计算机图形学领域的长期研究问题，并取得了令人印象深刻的进展。然而，从时变点云（即4D点云）中进行重建通常被忽视。在本文中，我们提出了一种新的网络架构，称为RFNet-4D++，该架构能够同时从4D点云中重建物体及其运动流。关键在于通过学习点云序列中的空间和时间特征来同时执行这两个任务，可以互相促进各个任务的性能，从而提高整体表现。为了证明这一能力，我们设计了一个时间向量场学习模块，采用无监督学习方法进行流估计任务，并利用有监督学习方法对空间结构进行学习以实现物体重建。我们在基准数据集上进行了广泛的实验和分析，验证了我们方法的有效性和高效性。实验结果表明，我们的方法在流估计和物体重建方面均达到了最先进的性能，并且在训练和推理过程中比现有方法快得多。我们的代码和数据可在https://github.com/hkust-vgd/RFNet-4D 获取。