ScopeFlow: 光流的动态场景分层
针对光流估计中的连续帧遮挡问题,我们提出了一个简化的批处理多帧(SIM)流程,包括高效的时空建模方法和全局时间回归器(GTR),可在解码过程中有效地探索时间关系。相对于以前的多帧方法,该方法不仅在 KITTI 和 Sintel 数据集上的性能表现出色,尤其是在遮挡区域方面有显著改进,而且在速度方面取得了显著的 63.82% 提升。
Nov, 2023
本文提出了一种简单而有效的多帧光流估计的融合方法,该方法利用了长期的时间线索,首先将前几帧的光流投影到当前帧,然后将这些光流之间携带的互补信息融合为一个新的光流场,并在 MPI Sintel 和 KITTI 2015 基准测试中排名第一。
Oct, 2018
本文通过自监督学习介绍了一种基于多帧单目场景流网络的方法,该方法在保持实时效率的同时显著提高了准确性,并通过在 KITTI 数据集上进行测试达到了自我监督学习中的最新水平。
May, 2021
OptFlow 是一种快速优化型场景流估计方法,不依赖学习或任何标注数据,可在流行的自动驾驶基准测试中实现场景流估计的最先进性能,同时提供最快的推理时间。
Jan, 2024
本研究提出了一种新的多帧场景流计算方法,包括景深和光流以及相机自运动,同时从移动立体相机中观察动态场景,并将移动对象与固定场景分割开来。该技术在立体匹配和视觉里程计中使用独特的策略,融合移动目标的光流信息和相机基于运动流的信息来提高场景深度和相机自运动估计的精度和效率。
Jul, 2017
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
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
本研究提出了一种自监督学习的方法,通过利用非遮挡像素估计可靠的光流,用于学习虚假的遮挡。同时,通过设计一个简单的 CNN 来利用多帧的时间信息来获得更好的光流估计。该方法在 MPI Sintel、KITTI 2012 和 2015 等多个挑战基准测试中取得了最佳性能,并且该自监督预训练模型为监督微调提供了极好的初始化,其微调后的模型在三个数据集上均取得了最先进的结果。
Apr, 2019
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
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