論文の概要: Motion Cues from Image-based Point Tracking for LiDAR Scene Flow Estimation

• arxiv url: http://arxiv.org/abs/2605.16922v1
• Date: Sat, 16 May 2026 10:28:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.294277
• Title: Motion Cues from Image-based Point Tracking for LiDAR Scene Flow Estimation
• Title（参考訳）: LiDARシーンフロー推定のための画像ベースポイントトラッキングからの動作キュー
• Abstract要約: 我々は、LiDARシーンフロー推定における動的オブジェクト表現を改善するための追跡誘導フレームワークであるTrackCueを紹介する。 特に、TrackCueは、ポイントトラッキングを再利用して、LiDARポイントに固定された高密度の画像空間軌跡を得る。 TrackCueは動的ラベルの精度とF1スコアを大幅に向上し、自己監督型シーンフロー推定の性能向上につながることを示す。
• 参考スコア（独自算出の注目度）: 59.420015367586615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LiDAR scene flow estimation is essential for autonomous driving, as it provides 3D motion for each point. Self-supervised approaches use static-dynamic classification to mitigate the imbalance between static and dynamic points, deriving targeted supervision. However, existing methods rely on sparse geometric observations for this classification, making them vulnerable to data sparsity and occlusions. The resulting noisy labels provide incorrect motion guidance and degrade scene flow learning. To address this, we introduce TrackCue, a tracking-guided framework for improving dynamic object representation in LiDAR scene flow estimation. In particular, TrackCue repurposes point tracking to obtain dense image-space trajectories anchored to LiDAR points, providing motion cues beyond sparse geometric observations. Furthermore, we present a visually consistent motion compensation strategy that compares the tracked trajectories with ego-induced rigid trajectories in the image plane, effectively isolating true object motion from ego-induced apparent motion. To transfer these isolated motion cues back to the LiDAR domain, we perform visual motion cue lifting, which associates ego-compensated image trajectories with LiDAR points for static-dynamic label refinement. As a result, TrackCue produces more accurate static-dynamic classification and provides more reliable supervision for scene flow learning. Experimental results show that TrackCue significantly improves the precision and F1 score of dynamic labels, leading to performance gains in self-supervised scene flow estimation.
• Abstract（参考訳）: LiDARのシーンフロー推定は、各ポイントに3Dモーションを提供するため、自動運転に不可欠である。 自己監督型アプローチは静的力学分類を用いて静的点と動的点の不均衡を緩和し、対象とする監督を導出する。 しかし、既存の手法は、この分類に疎い幾何学的観察に依存しており、データの疎さや閉塞に弱い。 結果のノイズラベルは、誤った動き誘導とシーンフロー学習を提供する。 そこで我々は,LiDARシーンフロー推定における動的オブジェクト表現を改善するための追跡誘導フレームワークであるTrackCueを紹介する。 特に、TrackCueは点追跡を利用して、LiDAR点に固定された高密度の画像空間軌跡を得る。 さらに、追跡された軌跡と画像面のエゴ誘起剛性軌跡を比較し、エゴ誘起運動から真の物体運動を効果的に分離する、視覚的に一貫した運動補償戦略を提案する。 この分離された動きキューをLiDAR領域に戻すために,エゴ補償画像軌跡とLiDAR点を関連付ける視覚的動きキューリフトを行う。 結果として、TrackCueはより正確な静的な分類を生成し、シーンフロー学習のためのより信頼性の高い監視を提供する。 実験結果から,TrackCueは動的ラベルの精度とF1スコアを大幅に向上し,自己監督型シーンフロー推定の性能向上につながった。

関連論文リスト

• Robotic Servo Tracking of Moving Targets with Dynamic Imitation Constraints [5.415143520107641]
  本稿では,擬似軌道制約に基づくサーボ追跡手法を提案する。 形状と振幅成分を組み込んだ時間スケーリング可能な変形機構と軌道変調を導入し、一連の軌道をリアルタイムで生成する。 提案手法は, 複雑な環境下でのいくつかの最先端手法と比較して, 動的障害物回避と高精度収束を実現することができる。
  論文  参考訳（メタデータ） (2026-09-13T15:17:44Z)
• GoStop: Reinforcement Learning for Adaptive Temporal Aggregation in Event-Based Feature Tracking [71.9852231453445]
  イベントカメラは低レイテンシとモーションロバストな知覚を可能にし、高速かつ非線形な動作下での機能追跡に適している。 既存のイベントベースの機能トラッキング手法は、イベントの蓄積を手作業で調整する、固定されたルールに依存している。 オンラインイベントベースの特徴追跡のための蓄積過程を適応的に制御する強化学習フレームワークを導入する。
  論文  参考訳（メタデータ） (2026-07-17T07:18:07Z)
• MATE: Motion-Augmented Temporal Consistency for Event-based Point Tracking [58.719310295870024]
  本稿では,任意の点を追跡するイベントベースのフレームワークを提案する。 事象の間隔に起因する曖昧さを解決するため、運動誘導モジュールは運動ベクトルを局所的なマッチングプロセスに組み込む。 このメソッドは、任意のポイントベースラインのイベントのみのトラッキングに対して、$Survival_50$メトリックを17.9%改善する。
  論文  参考訳（メタデータ） (2024-12-02T09:13:29Z)
• DATAP-SfM: Dynamic-Aware Tracking Any Point for Robust Structure from Motion in the Wild [85.03973683867797]
  本稿では,スムーズなカメラ軌跡を推定し,野生のカジュアルビデオのための高密度点雲を得るための,簡潔でエレガントでロバストなパイプラインを提案する。 提案手法は,複雑な動的課題シーンにおいても,カメラポーズ推定による最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-11-20T13:01:16Z)
• Estimating Dynamic Flow Features in Groups of Tracked Objects [2.4344640336100936]
  本研究の目的は,不完全なトレーサを持つ複雑な特徴豊富な画像列を特徴とする,勾配に基づく動的システム解析を実世界のアプリケーションに拡張することである。 提案手法は,2つの異なる対象クラスの1つの画像列における動作解析を含む高度な研究を可能にする。
  論文  参考訳（メタデータ） (2024-08-29T01:06:51Z)
• SeFlow: A Self-Supervised Scene Flow Method in Autonomous Driving [18.88208422580103]
  連続したLiDARスキャンで各点における3次元運動を予測する。 現在の最先端の手法は、シーンフローネットワークをトレーニングするために注釈付きデータを必要とする。 本研究では,効率的な動的分類を学習に基づくシーンフローパイプラインに統合するSeFlowを提案する。
  論文  参考訳（メタデータ） (2024-07-01T18:22:54Z)
• MotionTrack: Learning Motion Predictor for Multiple Object Tracking [68.68339102749358]
  本研究では,学習可能なモーション予測器を中心に,新しいモーショントラッカーであるMotionTrackを紹介する。 実験結果から、MotionTrackはDancetrackやSportsMOTといったデータセット上での最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-06-05T04:24:11Z)
• An Effective Motion-Centric Paradigm for 3D Single Object Tracking in Point Clouds [50.19288542498838]
  LiDARポイントクラウド(LiDAR SOT)における3Dシングルオブジェクトトラッキングは、自動運転において重要な役割を果たす。 現在のアプローチはすべて、外観マッチングに基づくシームズパラダイムに従っている。 我々は新たな視点からLiDAR SOTを扱うための動き中心のパラダイムを導入する。
  論文  参考訳（メタデータ） (2023-03-21T17:28:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。