从少量匹配学习光流
本文介绍了一种密集对应场方法,该方法具有非常低的异常值率,比近似最近邻字段更适合光流估计,并使用数据搜索策略取代了显式正则化和平滑 (如中值过滤) 或新的数据项。此外,我们提供了一种新颖的异常值过滤增强方法。我们显示了我们的方法比最先进的描述符匹配技术更适合大位移光流估计。通过使用我们的 Flow Field 来初始化 EpicFlow,我们显着优于 MPI-Sintel,KITTI 和 Middlebury 上的原始 EpicFlow。
Aug, 2015
本研究基于深度立体匹配中使用的 3D 卷积学习 3D 成本体积和流形成本之间的映射关系,旨在提出一种新的算法,该算法绕过了需要构建 5D 特征体积的要求。具体而言,本研究提出解耦 2D 位移之间的关系,并在每个 2D 位移假设上独立地应用 2D 卷积匹配网络来学习 4D 成本体积,从而实现了独立于位移的成本学习。最后,我们采用 2D soft-argmin 层将成本体积投影到光流估计中。
Oct, 2020
本论文提出了一种基于 Patchmatch 的深度学习光流方法,通过传播和局部搜索获得高精度结果,并提出了一种新的反向传播方法来减少计算复杂度,实验证明该方法在 KTTI2015 基准测试上排名第一,在 Sintel 干净基准测试上排名第二,以较少的内存消耗在高分辨率数据集 DAVIS 上得到良好的细节保留结果。
Apr, 2022
本文提出了一种针对事件相机的全新稠密光流计算方法,通过引入特征相关性与顺序处理的设计思路,相比于现有方案在数据集 MVSEC 上将终点误差降低了 23%,并提出一种新的数据集,更能反映现实场景中物体的运动情况,最终结果的终点误差比之前的方案减少了 66%。
Aug, 2021
通过对完整的四维成本体积进行操作,我们提出了一个光流估计方法,利用半全局匹配来优化四维成本体积,使得我们的方法比现有的光流方法更精确,速度更快,并在 Sintel 和 KITTI 2015 基准测试上优于所有已发布的通用光流方法。
Apr, 2017
MeFlow 是一种新的内存高效的方法,用于高分辨率光流估计,通过使用局部正交费用体积和自注意力,在高分辨率输入下实现竞争性性能和最高的内存效率。
Dec, 2023
本文提出了一种新的方法,从自动驾驶车辆的稀疏激光雷达数据中估计密集的光流,用作图像不可靠的情况下,如恶劣天气或夜间,替代任何基于图像的光流系统的替代方案。该方法使用多尺度滤波器的三级结构来推断离散范围数据的高分辨率 2D 流,并在 lidar 和图像域中结合多个中间目标。通过使用 FlowNet2 计算的假伪基于图像的光流,我们介绍了一个包含约 20K lidar 样本的 Kitti 数据集,并使用该数据集训练网络。我们在 Kitti 数据集上演示了我们方法的有效性,并表明尽管使用低分辨率和稀疏的 lidar 测量,我们可以回归与基于图像的方法相当的密集光流图。
Aug, 2018
该研究提出一种新的用于光流估计的方法,该方法在稀疏点集和稠密匹配初始化的基础上,采用边界保存插值进行密集匹配,从而使用变分能量最小化获得光流估计,并经过 MPI-Sintel、Kitti 和 Middlebury 数据集的验证,具有较快速度和鲁棒性。
Jan, 2015
该研究论文报道了一种利用稀疏点匹配进行场景流估计的方法,通过边缘信息实现保持几何和运动边界的稠密插值,并进行变分能量最小化迭代优化,最终在 KITTI 基准数据集上得到了优秀的表现,可用于汽车场景下的静态与动态部分的分割。
Oct, 2017
提出了一种基于概率的方法,通过学习流场预测和不确定性,建立两幅图像间的密集对应关系,同时估计像素级置信度和可靠性,通过受限混合模型等方法建立更好的流预测和异常点建模,通过实验证明该方法在多个具有挑战性的几何匹配和光流估计数据集上具有最先进的效果,并在姿态估计领域证明了它的实用性。
Jan, 2021