全流程:基于规则网格的全局优化光流估计
通过对完整的四维成本体积进行操作,我们提出了一个光流估计方法,利用半全局匹配来优化四维成本体积,使得我们的方法比现有的光流方法更精确,速度更快,并在 Sintel 和 KITTI 2015 基准测试上优于所有已发布的通用光流方法。
Apr, 2017
本文提出了一种用于从立体影像中求解密集的三维场景流问题的连续优化方法,其中将动态三维场景表示为一系列刚性运动的平面段,使用预先确定的精细超像素分割,将问题分解为光度学、几何和平滑约束,并使用 Levenberg-Marquardt 进行全局非线性优化。
Jul, 2016
通过将光流重新描述为全局匹配问题,并使用定制 Transformer 进行特征增强、相关性和 softmax 层进行全局特征匹配、以及自注意力层进行流传播来构建 GMFlow 框架,从而实现高准确性和高效率的光流估计。
Nov, 2021
本文介绍了一种密集对应场方法,该方法具有非常低的异常值率,比近似最近邻字段更适合光流估计,并使用数据搜索策略取代了显式正则化和平滑 (如中值过滤) 或新的数据项。此外,我们提供了一种新颖的异常值过滤增强方法。我们显示了我们的方法比最先进的描述符匹配技术更适合大位移光流估计。通过使用我们的 Flow Field 来初始化 EpicFlow,我们显着优于 MPI-Sintel,KITTI 和 Middlebury 上的原始 EpicFlow。
Aug, 2015
本文提出了一种学习匹配 - 优化框架 GMFlowNet,将全局匹配引入到直接回归之前,同时引入了基于补丁的重叠注意力来提高匹配质量,实验结果表明 GMFlowNet 在标准基准上性能最佳,能够有效处理大运动和无纹理区域的挑战。
Mar, 2022
本文提出了 FlowFields ++ 算法,通过结合 Flow Fields 的准确匹配和稳健的插值方法,以及改进的变分优化作为后处理,针对稀疏匹配的准确性和插值方面的不足进行了改进,并在公开测试数据集 KITTI 和 MPI Sintel 上均取得了最佳的效果。
May, 2018
MeFlow 是一种新的内存高效的方法,用于高分辨率光流估计,通过使用局部正交费用体积和自注意力,在高分辨率输入下实现竞争性性能和最高的内存效率。
Dec, 2023
提出采用两步聚合范式来解决在视频序列中计算光流时存在的位移、运动细节和遮挡问题,并对其进行实验验证,证明其在计算机视觉基准测试中取得了最先进的结果,尤其是在位移和遮挡的情况下表现出显著的提升。
Jul, 2014
该研究提出一种新的用于光流估计的方法,该方法在稀疏点集和稠密匹配初始化的基础上,采用边界保存插值进行密集匹配,从而使用变分能量最小化获得光流估计,并经过 MPI-Sintel、Kitti 和 Middlebury 数据集的验证,具有较快速度和鲁棒性。
Jan, 2015