本研究提出动态点图（DPM）概念，旨在解决动态场景下的三维重建问题，支持运动分割、场景流估计和三维物体跟踪等任务。通过引入时间和多个空间、时间参考组合，实现了在各类基准测试中的先进性能。

本研究提出了一种新颖的场景流估计网络MambaFlow，旨在解决时空建模不足和细粒度特征损失的问题。实验结果表明，该网络在Argoverse 2基准测试中表现优异，并具备实时推理能力。

本文介绍了一种自我监督的场景流估计技术，利用卷积神经网络和光流代价体积，提高了三维运动和深度估计的精度。该方法在多个数据集上表现优异，超越了传统监督学习，适用于动态环境中的物体移动估计。

本文介绍了一种新型单目3D场景流估计方法Mono-SF，该方法结合多视角几何和单视深度信息，利用卷积神经网络ProbDepthNet提高深度估计的准确性。实验结果表明，Mono-SF在性能上优于现有方法，验证了其有效性。

该文综述了光流与场景流估计中遮挡问题的多项研究，包括利用图像自相似性、Transformer全局运动聚合、多帧融合与时空建模、对称光流及联合训练等方法提升遮挡区域估计精度，在Sintel、KITTI等数据集上取得领先结果并显著提升速度。

本文研究了基于自监督学习的点云中的3D场景流估计和无类别运动预测。通过分片刚性运动估计生成伪场景流标签进行自监督学习，实验证明该方法在自监督场景流学习方面取得了新的最先进性能，并在nuScenes数据集上显着优于之前最先进的自监督方法的类别无关运动预测。