Nov, 2017

UnFlow: 双向Census损失的光流无监督学习

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 基础回归：通过亮度恒定和运动平滑无监督学习光流

    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。

    Aug, 2016

  • 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

  • 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

  • 使用选择性代理标签的FusionNet和AugmentedFlowNet用于未标记图像的训练

    本研究介绍了如何使用合成数据集来增强预训练的卷积神经网络，从而提高其在实际领域中的性能，尤其在光流估计领域取得了最先进的成果。

    Aug, 2018

  • DDFlow: 用未标注数据蒸馏学习光流

    DDFlow是一种基于数据净化的方法，可从未标注的数据中学习光流估计。该方法使用可靠的预测来指导学生网络学习光流，并能够为被遮挡像素进行光流估计，从而实现了更高的准确性。在Flying Chairs、MPI Sintel、KITTI 2012和2015基准测试中，DDFlow的性能显著优于所有现有的无监督学习方法，同时实现了实时运行。

    Feb, 2019

  • 类比学习：基于变换的可靠监督用于无监督光流估计

    本文提出了一种使用变换提供的可靠监督信息的框架，通过使用数据增强技术来运行另一个向前传递的过程，并使用原始数据的转换后的预测结果作为自我监督信号，从而得到了多帧轻量级网络的最佳精度。

    Mar, 2020

  • 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

  • UPFlow：无监督光流学习的上采样金字塔

    提出无监督学习方法，通过改善金字塔网络的上采样和学习来估计光流，具有自引导上采样模块和金字塔蒸馏损失，并将两个组件相结合，该方法在多个基准测试中均取得了最佳性能。

    Dec, 2020

  • ASFlow: 自适应金字塔采样无监督光流学习

    本文提出了一种无监督的光流估计方法，通过引入自适应金字塔采样，提出了一个内容感知池化模块和一个自适应光流上采样模块，能够有效地避免交叉边界插值和交叉区域池化，从而实现了最佳的光流估计性能。

    Apr, 2021

  • UnSAMFlow: 由分割任意模型指导的无监督光流

    我们提出了一种利用最新的基础模型Segment Anything Model（SAM）的非监督流网络UnSAMFlow，通过加入适应SAM蒙版的自监督语义增强模块、基于单应性的新平滑度定义以及简单而有效的蒙版特征模块，能够在对象周围生成清晰的光流估计，优于KITTI和Sintel数据集上的最先进方法，并且在跨领域上具有很好的泛化能力且运行效率高。

    May, 2024