큰 움직임의 탐색
세밀한 해상도에서 큰 움직임을 모두 탐색하면 계산 범위가 커진다. PointPWC-Net은 성긴 단계의 흐름을 업샘플링하고 워핑해 다음 단계의 추정을 안내한다.
점 위의 비용 볼륨
높은 차원의 격자 전체에 비용을 계산하는 대신 입력 삼차원 점 위에 비용 볼륨을 이산화한다. PointConv가 이 점 기반 비용 표현의 합성곱을 계산한다.
점군을 위한 학습 층
비용 볼륨과 업샘플링, 워핑 층을 점군에 맞게 구성한다. 정해진 영상 격자 없이도 계층적인 흐름 추정을 연결하는 설계다.
정답 흐름과 자기 지도
논문은 FlyingThings3D의 지도 학습뿐 아니라 자기 지도 손실도 탐구했다. KITTI Scene Flow 2015에서는 추가 미세 조정 없이 일반화를 평가했다.
관련 문서
FlowNet3D / HPLFlowNet / 광학 흐름 / 자기 지도 학습 / 점군 / 합성곱 신경망