Das Neural Scene Flow Prior (NSFP) weckt großes Interesse in der Vision Community aufgrund seiner inhärenten Robustheit gegenüber Out-of-Distribution (OOD)-Effekten und seiner Fähigkeit, mit dichten Lidar-Punkten umzugehen. Der Ansatz nutzt ein Koordinatennetzwerk, um die Szenenflussbewegung zur Laufzeit zu schätzen, ohne eine vorherige Schulung zu benötigen. Allerdings ist er bis zu 100-mal langsamer als aktuelle state-of-the-art Lernmethoden. In anderen Anwendungen wie Bild-, Video- und Strahlungs-Funktionsrekonstruktion haben Innovationen zur Beschleunigung der Laufzeitleistung von Koordinatennetzwerken hauptsächlich architektonische Änderungen im Mittelpunkt gehabt. In dieser Arbeit zeigen wir, dass der Szenenfluss anders ist – mit dem Hauptrechenengpass, der aus der Verlustfunktion selbst (d.h., Chamfer-Distanz) resultiert. Des Weiteren entdecken wir die Distanztransformation (DT) als eine effiziente, korrespondenzfreie Verlustfunktion, die die Laufzeitoptimierung dramatisch beschleunigt. Unser schneller Ansatz für den neuronalen Szenenfluss (FNSF) berichtet erstmals von einer Echtzeit-Leistung, die den Lernmethoden vergleichbar ist, ohne eine vorherige Schulung oder OOD-Voreingenommenheit bei zwei der größten offenen Lidar-Datensätze des autonomen Fahrens (AV), nämlich Waymo Open und Argoverse.注释：- "Neural Scene Flow Prior" 翻译为 "Neurales Szenenflussprior"，简称 "NSFP"。- "Out-of-Distribution" 翻译为 "Out-of-Distribution"（OOD），保留英文缩写。- "Chamfer distance" 翻译为 "Chamfer-Distanz"。- "distance transform" 翻译为 "Distanztransformation"，简称 "DT"。- "autonomous driving" 翻译为 "autonomes Fahren"，简称 "AV"。