FocusTrack: One-Stage Focus-and-Suppress Framework for 3D Point Cloud Object Tracking

📄 arXiv: 2602.24133v1 📥 PDF

作者: Sifan Zhou, Jiahao Nie, Ziyu Zhao, Yichao Cao, Xiaobo Lu

分类: cs.CV

发布日期: 2026-02-27

备注: Acceptted in ACM MM 2025

💡 一句话要点

提出FocusTrack，通过单阶段聚焦抑制框架实现高性能3D点云目标跟踪

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 3D点云跟踪 单阶段框架 运动建模 注意力机制 自动驾驶

📋 核心要点

  1. 现有基于运动的两阶段3D点云目标跟踪方法存在误差累积和计算瓶颈问题。
  2. FocusTrack提出单阶段框架，通过帧间运动建模和聚焦抑制注意力机制实现运动-语义联合建模。
  3. 实验表明，FocusTrack在多个3D跟踪基准上达到SOTA性能，并实现了105 FPS的高速运行。

📝 摘要（中文）

本文提出FocusTrack，一种新颖的单阶段范式跟踪框架，旨在解决3D点云目标跟踪中基于运动的方法所面临的挑战。现有两阶段方法存在误差累积（由于运动估计前显式前景分割导致解耦优化）和计算瓶颈（来自顺序处理）等根本限制。FocusTrack通过两个核心创新实现运动-语义联合建模：帧间运动建模（IMM）和聚焦抑制注意力机制。IMM模块采用时序差分孪生编码器来捕获相邻帧之间的全局运动模式。聚焦抑制注意力通过运动显著性特征门控增强前景语义，并基于来自IMM的时序感知运动上下文抑制背景噪声，无需显式分割。基于以上设计，FocusTrack能够以紧凑的单阶段流程进行端到端训练。在KITTI、nuScenes和Waymo等主流3D跟踪基准上的大量实验表明，FocusTrack实现了新的SOTA性能，同时以105 FPS的高速度运行。

🔬 方法详解

问题定义：现有基于运动的3D点云目标跟踪方法通常采用两阶段流程，首先进行前景分割，然后进行运动估计。这种解耦优化方式容易导致误差累积，并且顺序处理方式带来计算瓶颈，限制了跟踪速度和精度。

核心思路：FocusTrack的核心思路是将运动建模和语义理解融合到一个单阶段框架中，避免显式的前景分割，从而减少误差累积。通过聚焦于运动显著区域并抑制背景噪声，实现更准确的目标跟踪。

技术框架：FocusTrack主要包含两个核心模块：帧间运动建模（IMM）和聚焦抑制注意力机制。IMM模块使用时序差分孪生编码器提取相邻帧之间的运动信息。聚焦抑制注意力机制利用IMM提供的运动上下文信息，增强前景特征并抑制背景噪声。整个框架以端到端的方式进行训练。

关键创新：FocusTrack的关键创新在于其单阶段的运动-语义联合建模方法，以及聚焦抑制注意力机制。与现有两阶段方法相比，FocusTrack避免了显式的前景分割，减少了误差累积，提高了跟踪精度和速度。聚焦抑制注意力机制能够有效地利用运动信息来增强前景语义并抑制背景噪声。

关键设计：IMM模块采用孪生网络结构，分别处理相邻两帧的点云数据，并通过时序差分操作提取运动信息。聚焦抑制注意力机制通过运动显著性特征门控和时序感知运动上下文来实现前景增强和背景抑制。损失函数的设计旨在优化运动估计和目标定位的准确性，具体细节未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

FocusTrack在KITTI、nuScenes和Waymo等主流3D跟踪基准上取得了SOTA性能，显著优于现有方法。例如，在KITTI数据集上，FocusTrack的跟踪精度和速度均得到了显著提升。此外，FocusTrack还实现了105 FPS的高速运行，满足了实时性要求。

🎯 应用场景

FocusTrack在自动驾驶、机器人导航、智能监控等领域具有广泛的应用前景。它可以用于车辆、行人等目标的跟踪，为自动驾驶系统提供可靠的环境感知信息。在机器人导航中，可以帮助机器人跟踪移动物体，实现更智能的交互。在智能监控中，可以用于异常行为检测和目标追踪。

📄 摘要（原文）

In 3D point cloud object tracking, the motion-centric methods have emerged as a promising avenue due to its superior performance in modeling inter-frame motion. However, existing two-stage motion-based approaches suffer from fundamental limitations: (1) error accumulation due to decoupled optimization caused by explicit foreground segmentation prior to motion estimation, and (2) computational bottlenecks from sequential processing. To address these challenges, we propose FocusTrack, a novel one-stage paradigms tracking framework that unifies motion-semantics co-modeling through two core innovations: Inter-frame Motion Modeling (IMM) and Focus-and-Suppress Attention. The IMM module employs a temp-oral-difference siamese encoder to capture global motion patterns between adjacent frames. The Focus-and-Suppress attention that enhance the foreground semantics via motion-salient feature gating and suppress the background noise based on the temporal-aware motion context from IMM without explicit segmentation. Based on above two designs, FocusTrack enables end-to-end training with compact one-stage pipeline. Extensive experiments on prominent 3D tracking benchmarks, such as KITTI, nuScenes, and Waymo, demonstrate that the FocusTrack achieves new SOTA performance while running at a high speed with 105 FPS.