Floxels: Fast Unsupervised Voxel Based Scene Flow Estimation

要約

シーンフロー推定は、ロバストな動的物体検出、自動ラベリング、センサー同期など、多くのロボットアプリケーションの基礎となるタスクである。この問題に対する2種類のアプローチが発展してきた：1）教師あり手法と2）最適化ベースの手法である。教師あり手法は推論が高速で、高品質な結果を得ることができるが、大量のラベル付き学習データが必要であり、ドメインギャップの影響を受けやすいという制約がある。対照的に、教師なしテスト時間最適化手法は、ドメインギャップの問題に直面しないが、通常、かなりの実行時間に悩まされ、アーチファクトを示し、正しい解に収束しない。本研究では、既存の最適化ベースの手法のいくつかの限界を緩和する。この目的のため、1)多次元において標準的なMLPベースの定式化を改善する単純なボクセルグリッドベースのモデルを導入し、2)新しいマルチフレーム損失定式化を導入する。3) Floxelsと呼ばれる新しい手法に両者の寄与を組み合わせる。Argoverse 2ベンチマークにおいて、Floxelsは教師なし手法の中でEulerFlowにのみ抜かれ、同等の性能をわずかな計算コストで達成している。FloxelsはEulerFlowに対して60倍から140倍以上の大幅なスピードアップを達成し、1シーケンスあたりの実行時間を1日から10分に短縮した。より高速だが低品質なベースラインであるNSFPに対して、Floxelsは～14倍のスピードアップを達成している。

要約(オリジナル)

Scene flow estimation is a foundational task for many robotic applications, including robust dynamic object detection, automatic labeling, and sensor synchronization. Two types of approaches to the problem have evolved: 1) Supervised and 2) optimization-based methods. Supervised methods are fast during inference and achieve high-quality results, however, they are limited by the need for large amounts of labeled training data and are susceptible to domain gaps. In contrast, unsupervised test-time optimization methods do not face the problem of domain gaps but usually suffer from substantial runtime, exhibit artifacts, or fail to converge to the right solution. In this work, we mitigate several limitations of existing optimization-based methods. To this end, we 1) introduce a simple voxel grid-based model that improves over the standard MLP-based formulation in multiple dimensions and 2) introduce a new multiframe loss formulation. 3) We combine both contributions in our new method, termed Floxels. On the Argoverse 2 benchmark, Floxels is surpassed only by EulerFlow among unsupervised methods while achieving comparable performance at a fraction of the computational cost. Floxels achieves a massive speedup of more than ~60 – 140x over EulerFlow, reducing the runtime from a day to 10 minutes per sequence. Over the faster but low-quality baseline, NSFP, Floxels achieves a speedup of ~14x.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL