本文提出了一种基于适应性调制网络的自监督光流估计方法 CoT-AMFlow，采用流调制模块和代价体积调制模块去除噪点，同时采用师生共同训练策略，实时性能表现优于其他最先进的自监督方法。

Nov, 2020

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

本文提出了一种无需预测提议、将 amodal mask 分配到不同层级、通过在每一层独立地进行 amodal 实例回归来预测交通参与者及其语义标签的 proposal-free 多标签多类别无缝分割网络，并采用共享骨干和不对称双解码器的 et 架构以及 amodal mask refiner，其在 BDD100K-APS 和 KITTI-360-APS 数据集上的测试表明超越了现有技术水平。

May, 2022

通过引入 TAO-Amodal 基准测试数据集，并利用轻量级插件模块，amodal 扩展器，通过数据增强和少量视频序列的微调，我们在 TAO-Amodal 上分别实现了 3.3％和 1.6％对遮挡物体的检测和跟踪改善，并在人物方面相较于现有模态基线实现了巨大 2 倍的改进。

Dec, 2023

通过引入 AmodalSynthDrive 数据集，本研究解决了自动驾驶中因缺乏合适的数据集而无法利用该数据集的问题，并支持多种 amodal 场景理解任务，包括引入的增强空间理解的 amodal 深度估计。

Sep, 2023

我们研究的问题是不完全图像分割：预测包括可见和不可见（被遮挡）部分的完整对象分割掩膜。我们使用 3D 数据构建了一个自动管道来确定真实的部分遮挡对象的不完全真值分割掩膜，并通过两种架构变体探索了在野外处理不完全完成任务的方法。我们的方法在包括 COCOA 和我们的新 MP3D-Amodal 数据集在内的不完全分割数据集上取得了最新的最好性能。

Dec, 2023

本文通过将高斯注意力引入光流模型，以强调表示学习过程中的局部特性并在匹配过程中强制实施运动相关性，提出了一种全新的高斯约束层（GCL）和高斯引导注意模块（GGAM）。GAFlow 网络是一个完整的模型，将这些高斯基于模块自然地融入传统的光流框架中，用于可靠的运动分析。在标准光流数据集上进行的广泛实验一致证明了所提方法在泛化能力评估和在线基准测试方面的优异性能。

Sep, 2023

通过动态的运动流模块及深度感知模糊和成本体积稀疏损失，在自我监督多帧方法中解决了深度估计中的运动物体、光流和光度误差问题，并在实验中表现出超越其他方法的性能。

Mar, 2024

本文提出了一种名为 MoNet 的运动幻觉网络，通过从外观特征想象光流特征，而无需依赖光流计算，大幅度提高了视频分类性能，同时能够帮助削减一半的计算和数据存储负担。

May, 2019

通过使用先进的 Nerf 技术，我们提出了一种新的光流训练框架，可以在目标数据领域上高效地训练光流网络，而无需手动标注。实验结果表明，我们的方案在 KITTI 上的泛化能力超过了现有的自监督光流和单目场景流算法，并且在真实世界的零点泛化评估中始终超过大多数有监督方法。

Nov, 2023