Easi3R: Estimating Disentangled Motion from DUSt3R Without Training¶

Introduction¶

解决方案

通过对推理阶段的 attention 的调整来实现将 DUSt3R 直接用到 dynamic 场景，避免预训练或 fine-tune。

Method¶

Network Architecture¶

• Insight： DUSt3R 隐式学习刚性视图变换，违反极几何约束（无纹理、观测不足、动态区域）的 attention 值都比较小，通过在空间和时间维度上 aggregate cross-attention 的输出，很简单地将 attention 值较小的区域分割开来实现动态物体分割。
• Spaital attention maps
  • 图像特征 \(F\) 可以通过可训练的线性函数投影到各自分支的 \(Q、K\)，然后计算 corss-attention map 得到 \(\mathbf{A}_{l}^{a\leftarrow b}=\mathbf{Q}_{l}^{a}\mathbf{K}_{l}^{b^{T}}/\sqrt{c},\quad\mathbf{A}_{l}^{b\leftarrow a}=\mathbf{Q}_{l}^{b}\mathbf{K}_{l}^{aT}/\sqrt{c}\)。紧接着 \(\mathbf{A}_{l}^{a\leftarrow b}\) 可以 warp \(V\)，\(\mathbf{A}_{l}^{a\leftarrow b}\) 决定在第 l 个解码器中的信息如何从 b aggregate to a。
  • 每个 token 的空间贡献不同，所以对 attention maps 进行加权平均。

• Temporal attention maps：

  • 将单对图像扩展到多对图像，需要考虑时间 attention 相关性，将上一步的 A 计算均值和方差。
  

• 最终的时间交叉注意力图：

  

dynamic Object Segmentation¶

使用下面公式得到每帧动态目标分割 \(\mathbf{M}^t=\begin{bmatrix}\mathbf{A}^{t=\mathrm{dyn}}>\alpha\end{bmatrix}\)（分割是逐帧的，为了增强时间一致性，作者应用了一种特征聚类方法，融合所有帧的信息）：

4D Reconstruction¶

• 经过动态物体分割后，如果用黑色像素替换动态区域，这种方法会显著降低重建性能，原因是黑色像素和 mask token 会导致分布外的输入，解决方案是在 attention layers 中应用 mask。
• Attention re-weighting：通过削弱与动态区域相关的 attetnion value 来修改 corss-attention map，对网络进行二次推理，对分配的动态区域的 attention map 进行 mask，使其 attention value = 0，其余区域不变。
• 同时将光流也结合进动态区域分割。

Experiments¶

Reference¶

• 论文复现之——《Easi3R: Estimating Disentangled Motion from DUSt3R Without Training》