論文の概要: CorrelationFlow: A Training-Free Geometric Approach for LiDAR Scene Flow Estimation

• arxiv url: http://arxiv.org/abs/2607.29237v1
• Date: Fri, 31 Jul 2026 10:14:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.681946
• Title: CorrelationFlow: A Training-Free Geometric Approach for LiDAR Scene Flow Estimation
• Title（参考訳）: 相関フロー:LiDARシーンフロー推定のためのトレーニング不要な幾何学的アプローチ
• Abstract要約: 相関フローは, 鳥の目視画像における連結成分ラベリングと相関という, シーンフローを2つの操作に還元する。 境界鍵点における軽量占有記述子をマッチングすることにより,一組のスイープペア上で動作可能なスパース対の開発を行う。 この結果から,シーンフロー問題の大部分を古典的コンピュータビジョンで解けることが示唆された。
• 参考スコア（独自算出の注目度）: 15.48783554823151
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LiDAR scene flow estimation has settled into a monoculture: nearly all recent methods share the same feed-forward architecture and the same family of self-supervised losses, inheriting each other's assumptions, and each other's blind spots. When those assumptions fail, as they do for sparse, distant, or fast-moving objects, every method built on them fails together, and adding parameters or simulated training data does not fix what the formulation itself gets wrong. This paper takes the opposite path. We present CorrelationFlow, a training-free geometric framework that reduces scene flow to two textbook operations: connected-component labeling and correlation maximization on bird's-eye-view occupancy images. Objects are isolated as spatio-temporal connected components, their motions recovered as correlation peaks, and the resulting velocities propagated to all member points. However, this dense correlation evaluates every candidate displacement of every cluster and requires a window of past sweeps; therefore, we develop a sparse counterpart that operates on a single sweep pair by matching lightweight occupancy descriptors at boundary key points. Because nothing is trained, nothing is inherited: on the multi-domain test set of the Argoverse 2 2026 Scene Flow Challenge, spanning five datasets with heterogeneous sensors and platforms, CorrelationFlow ranked second among unsupervised methods and degrades most gracefully at long range, where the shared assumptions of learned methods break down. Our results suggest that a substantial share of the scene flow problem is solvable by classical computer vision, and that progress may require questioning the formulation, not scaling it.
• Abstract（参考訳）: LiDARのシーンフロー推定はモノカルチャーに落ち着き、最近のほとんどの手法は、同じフィードフォワードアーキテクチャと、同じファミリーの自己管理的損失を共有し、互いの仮定とお互いの盲点を継承している。 これらの仮定が失敗すると、スパース、遠方、あるいは高速に動くオブジェクトに対して行われるように、その上に構築されたすべてのメソッドが一緒に失敗し、パラメータやシミュレートされたトレーニングデータを追加することは、フォーミュレーション自体が間違っていることを修正しない。 この論文は反対の道を取る。 本稿では,2つの教科書操作 – 鳥眼視画像のコネクテッド・コンポーネント・ラベリングと相関最大化 – にシーンフローを還元する学習自由な幾何学的フレームワークであるRelationFlowを提案する。 物体は時空間連結成分として分離され、それらの運動は相関ピークとして回復し、結果として得られる速度は全ての成分点に伝播する。 しかし, この相関関係は, 各クラスタの全ての候補変位を評価し, 過去のスイープのウィンドウを必要とするため, 境界キーポイントにおける軽量占有記述子をマッチングすることにより, 単一のスイープペア上で動作可能なスパースなスイープの開発を行う。 Argoverse 2 2026 Scene Flow Challengeのマルチドメインテストセットでは、不均一なセンサーとプラットフォームを備えた5つのデータセットにまたがる。 以上の結果から,シーンフロー問題の大部分は古典的コンピュータビジョンによって解決可能であることが示唆された。

関連論文リスト

• FlowBender: Feedback-Aware Training for Self-Correcting Conditional Flows [18.746098727212544]
  FlowBenderは3D再構成のための新しい拡散流モデルである。 FlowBenderは、標準的な教師付きアライメントトレーニングよりも一貫して優れています。 微分可能な演算子に対して、FlowBenderのいくつかの変種を提案する。
  論文  参考訳（メタデータ） (2026-06-18T15:56:07Z)
• Gradient Variance Reveals Failure Modes in Flow-Based Generative Models [2.4223685315022867]
  本稿では, ソース分布とターゲット分布の直線的トラジェクトリを持つ ODE ベクトル場を学習し, ほぼ一段階の推論を可能にすることを示す。 トレーニング補間体が交差しても記憶ベクトル場が存在し、ストレートパスの目的を最適化することが、この未定義の場に収束することを証明する。
  論文  参考訳（メタデータ） (2025-10-20T21:37:11Z)
• Let-It-Flow: Simultaneous Optimization of 3D Flow and Object Clustering [2.763111962660262]
  実大規模原点雲列からの自己監督型3次元シーンフロー推定の問題点について検討する。 重なり合うソフトクラスタと非重なり合う固いクラスタを組み合わせられる新しいクラスタリング手法を提案する。 本手法は,複数の独立移動物体が互いに近接する複雑な動的シーンにおける流れの解消に優れる。
  論文  参考訳（メタデータ） (2024-04-12T10:04:03Z)
• STARFlow: Spatial Temporal Feature Re-embedding with Attentive Learning for Real-world Scene Flow [5.476991379461233]
  両ユークリッド空間における全点対に一致する大域的注意流埋め込みを提案する。 我々は、新しいドメイン適応損失を利用して、合成から実世界への動き推論のギャップを埋める。 提案手法は,実世界のLiDARスキャンデータセットにおいて特に顕著な結果を得て,各種データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-11T04:56:10Z)
• Layer-wise Linear Mode Connectivity [52.6945036534469]
  ニューラルネットワークパラメータの平均化は、2つの独立したモデルの知識の直感的な方法である。 フェデレートラーニングにおいて最も顕著に用いられている。 私たちは、単一グループやグループを平均化するモデルの性能を分析します。
  論文  参考訳（メタデータ） (2023-07-13T09:39:10Z)
• DistractFlow: Improving Optical Flow Estimation via Realistic Distractions and Pseudo-Labeling [49.46842536813477]
  本稿では,光フロー推定モデルのトレーニングのための新しいデータ拡張手法であるDistractFlowを提案する。 2つのフレームのうちの1つを、類似したドメインを描写したイントラクタイメージと組み合わせることで、自然の物体やシーンと相反する視覚的摂動を誘発することができる。 私たちのアプローチでは、追加のアノテーションを必要とせずに、利用可能なトレーニングペアの数を大幅に増やすことができます。
  論文  参考訳（メタデータ） (2023-03-24T15:42:54Z)
• Intersection of Parallels as an Early Stopping Criterion [64.8387564654474]
  そこで本研究では,検証セットを必要とせずに,トレーニングイテレーションの早期停止点を見つける手法を提案する。 幅広い学習率において,コサイン距離基準 (CDC) と呼ばれる手法は,比較したすべての手法よりも平均的な一般化に寄与する。
  論文  参考訳（メタデータ） (2022-08-19T19:42:41Z)
• Decoupled Multi-task Learning with Cyclical Self-Regulation for Face Parsing [71.19528222206088]
  顔解析のための周期的自己統制型デカップリング型マルチタスク学習を提案する。 具体的には、DML-CSRは、顔解析、バイナリエッジ、カテゴリエッジ検出を含むマルチタスクモデルを設計する。 提案手法は,Helen,CelebA-HQ,LapaMaskのデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-28T02:12:30Z)
• Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution [77.85461690214551]
  完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。 近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。 本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-07T13:08:11Z)
• Self-Point-Flow: Self-Supervised Scene Flow Estimation from Point Clouds with Optimal Transport and Random Walk [59.87525177207915]
  シーンフローを近似する2点雲間の対応性を確立するための自己教師型手法を開発した。 本手法は,自己教師付き学習手法の最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-05-18T03:12:42Z)
• Learning to Estimate Hidden Motions with Global Motion Aggregation [71.12650817490318]
  閉塞は、局所的な証拠に依存する光学フローアルゴリズムに重大な課題をもたらす。 最初の画像でピクセル間の長距離依存性を見つけるために,グローバルモーションアグリゲーションモジュールを導入する。 遮蔽領域における光流量推定が非遮蔽領域における性能を損なうことなく大幅に改善できることを実証した。
  論文  参考訳（メタデータ） (2021-04-06T10:32:03Z)
• Adversarial Self-Supervised Scene Flow Estimation [15.278302535191866]
  本研究では,自己監督型シーンフロー推定のためのメトリクス学習手法を提案する。 自己監督型シーンフロー推定のためのベンチマークであるScene Flow Sandboxについて概説する。
  論文  参考訳（メタデータ） (2020-11-01T16:37:37Z)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)

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。