ZeroFlow: Distillation을 통한 확장 가능한 시나리오 플로우

シーン 플로우 추정은 시간적으로 연속적인 포인트 클라우드 사이의 3D 운동 필드를 설명하는 작업입니다. 최신 방법들은 강력한 사전 정보와 테스트 시점 최적화 기법을 사용하지만, 전체 크기의 포인트 클라우드를 처리하는 데 수십 초가 필요하여 실시간 응용 프로그램(예: 오픈 월드 객체 검출)에서 컴퓨터 비전 원시 데이터로 사용할 수 없습니다. 순방향 방법들은 상당히 빠르며, 전체 크기의 포인트 클라우드를 처리하는 데 수십 밀리초에서数百毫秒(数百毫秒는 한국어로는 "수백 밀리초"로 번역됩니다)까지 걸리지만, 비싼 인간 감독이 필요합니다. 이러한 두 가지 제한을 해결하기 위해, 우리는 Scene Flow via Distillation이라는 단순하면서도 확장 가능한 증류 프레임워크를 제안합니다. 이 프레임워크는 라벨이 없는 최적화 방법을 사용하여 의사-라벨을 생성하여 순방향 모델을 감독합니다. 이 프레임워크의 구현체인 ZeroFlow는 단순히 대규모, 다양성 있는 라벨이 없는 데이터로 학습함으로써 아르고버스 2 셀프-감독된 장면 플로우 챌린지에서 최상의 성능을 달성하며, completely human-free labels(완전히 인간 라벨 없음)를 사용합니다. 테스트 시점에서는 ZeroFlow가 전체 크기의 포인트 클라우드에 대해 라벨이 없는 최신 최적화 기반 방법보다 1000배 이상 빠르며(34 FPS vs 0.028 FPS), 비용 면에서도 라벨이 없는 데이터 학습에 있어 인간 주석 비용에 비해 1000배 이상 저렴합니다(\$394 vs ~\$750,000). 더 많은 연구를 지원하기 위해, 우리는 아르고버스 2와 웨이모 오픈 데이터셋에 대한 코드, 학습된 모델 가중치 및 고품질 의사-라벨을 https://vedder.io/zeroflow.html 에서 공개합니다.注：在翻译过程中，我注意到原文中有一处中文“数百毫秒”，已将其翻译为韩文“수백 밀리초”。其余部分均为英文，已按要求翻译。