CVPRApr, 2019

无监督深度极线流算法用于静态或动态场景

PDF
TL;DR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。
unsupervised deep learningoptical flowdeep epipolar flowglobal geometric constraintslow-rank constraint
发现论文，激发创造
  • 使用双层优化进行光流和自我运动的联合无监督学习

    利用几何约束将光流和相机运动估计问题融合为一个双层优化问题，进一步优化了基于无监督深度学习框架的光流估计和相机运动估计的质量，相较于其他无监督学习方法，获得了更好的结果。

    Feb, 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

  • 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

  • EpO-Net: 基于密集轨迹的几何约束在运动显著性中的应用

    利用多视角几何约束和轨迹极线距离识别背景和前景，结合光流和输入 - 丢失机制提出了一种有效的运动网络，与先前的方法相比在 DAVIS-2016、2017 和 Segtrackv2 数据集上均获得了更好的效果。

    Sep, 2019

  • EV-FlowNet: 自监督事件型相机光流估计

    本文介绍了一种新的基于自监督深度学习的光流估计方法 EV-FlowNet，用于事件驱动相机。该方法不仅可以准确地估计密集光流，还为其他自监督方法到事件驱动领域提供了转移框架。

    Feb, 2018

  • 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

  • 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

  • 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

  • DF-Net: 无监督联合学习深度和光流，使用交任务一致性

    这篇论文提出了一种利用几何一致性作为监督信号的无监督学习框架，可以同时训练单视角深度预测和光流估计模型，在训练过程中，所有网络均进行联合优化，在测试时可以单独应用，实验证明该方法与现有的无监督方法相比具有竞争优势。

    Sep, 2018

  • 半监督学习在浓雾场景下的光流估计

    本文提出了一种半监督深度学习方法，并使用真实的雾霾图像进行训练，使用了新的训练策略组合监督合成数据训练和非监督实际数据训练，在稠密的雾霾场景下，优化了光流估计，有着优越性能表现。

    Apr, 2020