记忆增强新范式！长期外推误差直降71.6%
MESSENGER: Memory-Enhanced Sequential Scene Flow Estimation via Autoregressive Next-Frame Forecasting
📖 AI 总结
本文提出了一种名为MESSENGER的记忆增强序列场景流估计方法，旨在解决现有场景流估计中存在的两个核心问题：早期双帧估计方法缺乏长期时间关联且未来预测外推能力差，而近期多帧序列方法则面临计算开销随输入帧数增长以及长时程预测因运动传播低效而退化的问题。该方法通过设计记忆缓冲区显式存储多个历史流估计和潜在状态，对每一输入帧进行时间关联与检索，以自回归下一帧预测的方式生成当前初始流，并引入不确定性感知重加权模块过滤不可靠检索、缓解累积误差。在nuScenes和Argoverse 2数据集上的实验表明，该方法在长时程未来外推任务中分别将EPE3D降低71.6%和67.7%，达到当前最优性能。其优势源于自回归预测范式，迫使网络基于历史观测逐步学习下一帧分布。该工作被NeurIPS 2026接收。
🔑 关键词速览
| Scene Flow | 场景流，描述三维空间中每个点的运动位移矢量，用于捕捉动态场景的几何运动。 |
| MESSENGER | 本文提出的记忆增强序列场景流估计流水线，通过自回归下一帧预测实现长期时间建模。 |
| Memory Buffer | 记忆缓冲区，显式存储多个历史流估计和潜在状态，用于挖掘长期时间依赖关系。 |
| Autoregressive Forecasting | 自回归预测，基于历史观测逐步预测下一帧分布，迫使网络学习时序演化规律。 |
| EPE3D | 三维端点误差，衡量预测场景流与真实场景流之间平均欧氏距离的评估指标。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅