ECCVFeb, 2018

光流的不确定性估计和多假设网络

PDF
TL;DR本文旨在研究一种基于端到端的监督学习方法，用于提高光流估计领域中的准确性和实时性，并首次比较了多种策略和技术来准确估计局部不确定性，同时介绍了一种新的使用 Winner-Takes-All loss 的网络架构，显示它可以有效地提供互补的假设和不确定性估计，并且质量明显高于以往的光流置信度测量。
发现论文，激发创造
  • ProbFlow: 光流与不确定性联合估计

    本文提出了一种同时预测光流和其基础不确定性的方法，该方法集成了变分推断方案，通过边缘熵获得每个像素处的不确定性量度，得到的不确定性量度明显优于现有的后处理方法。

    Aug, 2017

  • 通过单个运动模糊图像的光流估计

    该研究提出了一种新的框架，利用 Transformer 网络从单个运动模糊图像中端到端地估计光流，并通过粗到细的方式评估了该模型的性能和应用。

    Mar, 2021

  • 光流和下一帧预测的混合学习，提升野外场景的光流表现

    本研究使用自监督学习辅助提高 CNN-based 光流估计在实际情境中的性能，在合成和真实场景下混合训练神经网络并采用样本多变量多任务结构，以预测 next-flow 代替当前光流估计，并取得了较好的性能，实验结果表明总体改善了在实际 KITTl 基准测试中的光流估计。

    Dec, 2016

  • 传感器引导的光流

    本文提出了一种框架，该框架可以使用外部提示来引导光流网络，从而在已知或未知领域中实现更高的准确性。实验结果表明，我们的框架在模拟和实际条件下都具有很好的效果。

    Sep, 2021

  • FlowNet 2.0: 使用深度网络演化的光流估计

    本文提出了一种基于端到端学习的光流估计方法，该方法通过数据给特定学习任务提供重要信息，并且采用了堆叠式架构及对小运动专门优化的子网络，使得计算速度得到了提升，同时精度与业界领先的方法相当；相比于原始的 FlowNet，FlowNet 2.0 计算速度基本不降反升，估计误差降低了超过 50%。

    Dec, 2016

  • 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

  • 使用通用网络进行视差、光流或场景流估计中的遮挡、运动和深度边界

    本文提出了一种基于学习的方法，可以联合估计离散或光流下的遮挡区域，通过估计遮挡和运动边界的线性提升结果，同时提供了基于 KITTI 基准测试的最新网络和良好的通用性能。而通过利用估计的遮挡，我们还展示了运动分割和场景流估计的改进结果。

    Aug, 2018

  • 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

  • 利用时间动态建模在多帧动态环境中进行无监督光流学习

    本文提出了一种基于时空动态模型的无监督光流估计方法，使用视图合成的自我监督学习来提供可靠的运动先验信息，利用邻帧的运动先验来改善光流估计中遮挡区域的监督，采用自我监督知识蒸馏来让模型理解物体在连续动态环境中的运动模式，实验证明该方法在无监督光流估计中取得了最先进的性能并具有记忆开销优势。

    Apr, 2023

  • 动态物体的联合自监督深度和光流估计

    本研究提出了一种基于深度学习的深度估计方法，通过将光流信息与深度估计相结合，在预测不同运动情况下的深度时减小像素包裹误差和光学向量，利用自我监督深度估计方法对不同运动区域进行独立估计并组合为完整的深度，能够比 KITTI Depth 数据集上的现有深度估计器表现更好，同时在 KITTI Flow 2015 数据集上也达到了竞争性的光流性能。

    Sep, 2023