Aug, 2016

基础回归：通过亮度恒定和运动平滑无监督学习光流

PDF
TL;DR本文提出了一种无监督的方法，使用组合数据项和空间项的损失函数训练 convnets 来预测两幅图像之间的光流，并在 KITTI 数据集上的实验证明了该方法的有效性。
convnetsoptical flowunsupervised approachloss functionkitti dataset
发现论文，激发创造
  • 自我监督学习的跨像素光流相似度

    采用动态光流来监督静态图像的表示，通过学习嵌入像素以达到其光流向量之间的相似性，我们设计了一种无需手工标注的学习卷积神经图像表示的新方法，这个新方法优于以往的运用动态光流学习卷积神经网络的方法，并在语义分割等领域首屈一指。

    Jul, 2018

  • UnFlow: 双向 Census 损失的光流无监督学习

    本研究提出一种利用基于能量的方法进行光流估计的无监督学习方法以替代对真实场景难以获得的像素精确度地面实况数据的依赖，此方法在 KITTI 基准测试中的表现优于以往的无监督深度网络，甚至比仅在合成数据集上进行训练的类似监督方法更准确，在 KITTI 2012 和 2015 基准测试中具有竞争优势。

    Nov, 2017

  • 轻量级 CNN 网络在光流亮度一致性破裂中的应用

    在本文中，我们使用轻量级网络提取具有强不变性的亮度鲁棒的卷积特征和角点，将光流方法的亮度一致性修改为卷积特征一致性，提出了光流的光鲁棒混合方法。使用四个卷积层同时提取特征图和得分图，该网络在商用 CPU 上以 190 FPS 运行。我们设计了一个深度网络来计算有助于训练的可靠性映射，并采用了端到端无监督训练模式。通过与原始光流在动态光照下进行角点重复性和匹配性能的比较，验证了所提出方法。此外，我们通过在 VINS-Mono 中替换光流方法，构建出更准确的视觉惯性系统，在公共 HDR 数据集上将平移误差降低了 93％。

    Oct, 2023

  • 具备遮挡感知的光流无监督学习

    本文研究了卷积神经网络在无监督学习下学习光流预测的能力；提出了一种新的模型来显式模拟遮挡问题，并使用新颖的变换方式来更好地学习大运动；在 Flying Chairs，MPI-Sintel 和 KITTI 标准数据集上进行了测试，结果表明在 KITTI 数据集上无监督方法的效果优于有监督方法，尤其在该数据集上，我们的方法表现出色。

    Nov, 2017

  • 引导式光流学习

    本文研究使用代理真实数据进行卷积神经网络的无监督学习，以估计光流。通过使用经典方法生成的代理真实数据来指导 CNN 学习，我们的指导式学习方法在三个标准基准数据集上表现优异，但完全无监督且可以在实时运行。

    Feb, 2017

  • 无监督光流中的关键因素

    本研究通过分析光流的关键组件如光度损失、遮挡处理和光流平滑正则化，提出了多种类似代价体积规范化、在遮挡掩模处停止梯度、在上采样光流场之前鼓励平滑等方法的优化，结合改进后的组件提出了一种新型的无监督光流技术，该技术不仅在 KITTI 2015 数据集上表现出色，而且比现有方法更为简单。

    Jun, 2020

  • 使用卷积网络学习光流

    本文提出卷积神经网络模型，将光流估计问题作为监督式学习任务，通过生成合成数据集进行训练，成功实现在计算机视觉领域特别是识别任务中广泛应用的卷积神经网络模型在光流估计任务上的成功率。

    Apr, 2015

  • 光流提升无监督定位和分割

    无标注图像分割和定位是自主机器人学习将图像解析为个体对象的关键能力，本研究提出了一种新的损失函数，利用无标注视频中的光流信息辅助自我监督视觉转换器的特征优化，实现了无标注语义分割的优于现有技术的性能。

    Jul, 2023

  • 无监督深度极线流算法用于静态或动态场景

    本文提出了一种基于全局几何约束的无监督深度学习光流方法 - Deep Epipolar Flow，并通过对多种强制使用对极约束的光流评估方式进行研究以及提出低秩约束和子空间并集约束来训练以缓解动态场景中存在多个运动时可能出现的 “鸡生蛋” 的问题。该方法在各种基准数据集上表现出卓越的性能，具有与监督方法相当的竞争性，并且优于最先进的无监督深度学习方法。

    Apr, 2019

  • 从静止图像中学习光流

    本文介绍了一种从真实图片中快速生成大量准确的光流标注的框架，该框架利用单目深度估计网络构建可能的点云，通过虚拟相机运动合成新视角和对应的光流场，实现对现有数据的有效利用，并提高了视觉光流网络在真实场景中的泛化和特化性能。

    Apr, 2021