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。