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
提出了一种在没有 ground truth flows 的情况下实现 fine tuning 的实用方法,该方法基于 self-supervision 和使用 flow supervisor 实现了更稳定收敛和更好的准确性,在 Sintel 和 KITTI 基准上实现了有意义的改进。
Jul, 2022
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
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
本研究针对语义模糊场景理解进行了探索,使用人工合成的雾霾场景数据,并结合卷积神经网络进行了超像素级别的图像分割和对象检测,结果表明,该方法在实际应用中具有较高的实用价值。
Aug, 2017
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
我们提出了一种创新的混合方法,既利用深度学习方法又利用基于光流的传统方法来进行密集运动分割,而无需进行任何训练。
Jun, 2024
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
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
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。