高速ニューラルシーンフロー

ニューラル・シーンフロー・プリオール（Neural Scene Flow Prior: NSFP）は、その本質的な外れ値（Out-of-Distribution: OOD）効果への堅牢性と、高密度なLiDARポイントの処理能力により、ビジョンコミュニティから大きな関心を集めています。この手法は、ランタイムでシーンフローを推定するために座標ニューラルネットワークを利用しますが、事前学習は必要ありません。しかし、現行の最先端の学習手法に比べて最大100倍遅いという問題があります。画像、動画、放射度関数再構成などの他の応用分野では、座標ネットワークの実行時性能向上のための革新が主にアーキテクチャ変更を中心に進んでいます。本論文では、シーンフローにおいて主要な計算ボトルネックが損失関数自体（例：チャムファー距離）であることを示しています。さらに、対応点なしで効率的に動作する距離変換（Distance Transform: DT）を損失関数として再発見し、実行時の最適化を大幅に高速化することを示しています。我々の高速ニューラルシーンフロー（Fast Neural Scene Flow: FNSF）アプローチは初めて、Waymo OpenおよびArgoverseという最大級の公開自動運転（Autonomous Vehicle: AV）LiDARデータセットにおいて、学習手法と同等のリアルタイム性能を報告しており、事前学習やOODバイアスなしでこれを達成しています。