論文の概要: DisFlow: Scene Flow from Distance Field for Object Pose, Velocity Tracking, and Dynamic Object Reconstruction

• arxiv url: http://arxiv.org/abs/2606.01824v1
• Date: Mon, 01 Jun 2026 07:41:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:31.500126
• Title: DisFlow: Scene Flow from Distance Field for Object Pose, Velocity Tracking, and Dynamic Object Reconstruction
• Title（参考訳）: DisFlow: オブジェクトポース, 速度追跡, 動的オブジェクト再構成のための距離場からのシーンフロー
• Authors: Lan Wu, Sheila Sutjipto, Jennifer Wakulicz, Teresa Vidal-Calleja,
• Abstract要約: DisFlowは遠隔地からのオンラインシーンフロー推定のための新しいフレームワークである。 これは、emph6DoF動的オブジェクトのポーズ推定、emphmotion Track、emphground再構成を可能にする。
• 参考スコア（独自算出の注目度）: 6.491092956372781
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present \emph{DisFlow}, a novel framework for online scene flow estimation from distance field that enables \emph{6DoF dynamic object pose estimation}, \emph{motion tracking}, and \emph{surface reconstruction}. The scene is represented by Gaussian Process Implicit Surfaces (GPIS), with surface normals serving as derivative constraints, enabling accurate signed distance computations near the surface and gradient queries with uncertainty. With this representation as a foundation, we compute a scene flow from the distance field that describes how surface points are transported over time in consecutive frames. Through our flow, we can estimate an object's pose and motion by incrementally registering a new observed point cloud via an elegant closed-form optimisation. Unlike prior methods that operate in the camera or world frame, our approach performs probabilistic fusion directly in the \emph{object frame}, where the object remains geometrically consistent over time. The tight coupling of the DisFlow method in space and time yields dense geometry, surface normals, object pose trajectories, velocities, and uncertainty, all at real-time rates. We evaluate DisFlow on dynamic object sequences and demonstrate that it achieves accurate pose and motion tracking while simultaneously reconstructing high-quality object surfaces. Code publicly available at \href{https://github.com/LanWu076/disflow_ros2}{https://github.com/LanWu076/disflow\_ros2}
• Abstract（参考訳）: 本稿では,距離場からのオンラインシーンフロー推定のための新しいフレームワークである \emph{DisFlow} について述べる。 このシーンはGaussian Process Implicit Surfaces (GPIS) によって表現され、表面正規化は微分制約として機能し、表面近傍での正確な符号付き距離計算と不確実性のある勾配クエリを可能にする。 この表現を基礎とする距離場からのシーンフローを計算し、連続するフレームにおける表面点の時間的移動を記述する。 我々の流れを通して、エレガントな閉形式最適化を通して新しい観測点雲を漸進的に登録することで、物体の姿勢と動きを推定できる。 カメラや世界フレームで操作する従来の方法とは異なり、我々の手法は、物体が時間とともに幾何学的に一貫したままであるような 'emph{object frame} 内で直接確率的融合を行う。 空間と時間におけるDisFlow法の密結合は、高密度な幾何学、表面の正規化、物体の軌道、速度、不確実性を全てリアルタイムで得る。 動的オブジェクト列上でのDisFlowの評価を行い、高品質なオブジェクト表面を同時に再構成しながら、正確なポーズとモーショントラッキングを実現することを示す。 https://github.com/LanWu076/disflow_ros2}{https://github.com/LanWu076/disflow\_ros2} で公開されている。

関連論文リスト

• 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)
• Neural Eulerian Scene Flow Fields [59.57980592109722]
  EulerFlowは、複数のドメインをチューニングすることなく、最初から動作します。 長期間の地平線上での推定ODEを解くことで、創発的な3次元点追跡挙動を示す。 2024年のArgoverse 2 Scene Flow Challengeでは、すべての先行技術より優れています。
  論文  参考訳（メタデータ） (2024-10-02T20:56:45Z)
• 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)
• DeFlow: Decoder of Scene Flow Network in Autonomous Driving [19.486167661795797]
  シーンフロー推定は、シーン内のポイントの運動を予測することによって、シーンの3次元運動場を決定する。 入力として大規模な点雲を持つ多くのネットワークは、リアルタイム実行のための擬似イメージを作成するためにボキセル化を使用する。 本稿では, Gated Recurrent Unit (GRU) の改良により, ボクセルをベースとした特徴から点への遷移を可能にするDeFlowを紹介した。
  論文  参考訳（メタデータ） (2024-01-29T12:47:55Z)
• MaskFlow: Object-Aware Motion Estimation [0.45646200630189254]
  本研究では,高精度な運動場を推定できる新しい動き推定手法MaskFlowを提案する。 他のディープニューラルネットワーク(DNN)ベースのモーション推定手法で使用される低レベルの機能に加えて、MaskFlowはオブジェクトレベルの機能やセグメンテーションから引き出される。
  論文  参考訳（メタデータ） (2023-11-21T09:37:49Z)
• Multi-Body Neural Scene Flow [37.31530794244607]
  本研究では, 剛体のSE(3)$パラメータを制約する, 煩雑で不安定な戦略を使わずに, 多体剛性を実現することができることを示す。 これは、剛体に対する流れ予測における等尺性を促進するために、シーンフロー最適化を規則化することによって達成される。 実世界のデータセットに関する広範な実験を行い、我々の手法が3次元シーンフローにおける最先端の4次元軌道予測と長期的ポイントワイドの4次元軌道予測より優れていることを実証した。
  論文  参考訳（メタデータ） (2023-10-16T11:37:53Z)
• Forward Flow for Novel View Synthesis of Dynamic Scenes [97.97012116793964]
  本稿では,前向きワープを用いた動的シーンの新たなビュー合成のためのニューラルラジアンス場(NeRF)アプローチを提案する。 本手法は、新しいビューレンダリングとモーションモデリングの両方において、既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-29T16:51:06Z)
• Neural Motion Fields: Encoding Grasp Trajectories as Implicit Value Functions [65.84090965167535]
  本稿では,ニューラルネットワークによってパラメータ化される暗黙的値関数として,オブジェクト点群と相対的タスク軌跡の両方を符号化する新しいオブジェクト表現であるNeural Motion Fieldsを提案する。 このオブジェクト中心表現は、SE(3)空間上の連続分布をモデル化し、サンプリングベースのMPCを利用して、この値関数を最適化することで、反応的に把握することができる。
  論文  参考訳（メタデータ） (2022-06-29T18:47:05Z)
• SCTN: Sparse Convolution-Transformer Network for Scene Flow Estimation [71.2856098776959]
  点雲は非秩序であり、その密度は著しく一様ではないため、点雲の3次元運動の推定は困難である。 本稿では,sparse convolution-transformer network (sctn) という新しいアーキテクチャを提案する。 学習した関係に基づく文脈情報が豊富で,対応点の一致に役立ち,シーンフローの推定に有効であることを示す。
  論文  参考訳（メタデータ） (2021-05-10T15:16:14Z)

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。