論文の概要: LiteFlowNet3: Resolving Correspondence Ambiguity for More Accurate Optical Flow Estimation

• arxiv url: http://arxiv.org/abs/2007.09319v1
• Date: Sat, 18 Jul 2020 03:30:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 05:32:55.603409
• Title: LiteFlowNet3: Resolving Correspondence Ambiguity for More Accurate Optical Flow Estimation
• Title（参考訳）: LiteFlowNet3: より正確な光フロー推定のための対応曖昧性の解消
• Authors: Tak-Wai Hui, Chen Change Loy
• Abstract要約: 本稿では,光フロー推定の問題に対処する2つのモジュールからなるディープネットワークである LiteFlowNet3 を紹介する。 LiteFlowNet3は、公開ベンチマークで有望な結果を達成するだけでなく、小さなモデルサイズと高速なランタイムも備えている。
• 参考スコア（独自算出の注目度）: 99.19322851246972
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep learning approaches have achieved great success in addressing the problem of optical flow estimation. The keys to success lie in the use of cost volume and coarse-to-fine flow inference. However, the matching problem becomes ill-posed when partially occluded or homogeneous regions exist in images. This causes a cost volume to contain outliers and affects the flow decoding from it. Besides, the coarse-to-fine flow inference demands an accurate flow initialization. Ambiguous correspondence yields erroneous flow fields and affects the flow inferences in subsequent levels. In this paper, we introduce LiteFlowNet3, a deep network consisting of two specialized modules, to address the above challenges. (1) We ameliorate the issue of outliers in the cost volume by amending each cost vector through an adaptive modulation prior to the flow decoding. (2) We further improve the flow accuracy by exploring local flow consistency. To this end, each inaccurate optical flow is replaced with an accurate one from a nearby position through a novel warping of the flow field. LiteFlowNet3 not only achieves promising results on public benchmarks but also has a small model size and a fast runtime.
• Abstract（参考訳）: ディープラーニングアプローチは光フロー推定の問題に対処する上で大きな成功を収めている。 成功の鍵はコストボリュームと細かなフロー推論を使うことにある。 しかし、画像に部分的または均質な領域が存在する場合、マッチング問題は不適切になる。 これにより、コスト容積が外れ値を含み、フローの復号化に影響を及ぼす。 さらに、粗大なフロー推論は正確なフローの初期化を要求する。 曖昧な対応は誤った流れ場をもたらし、その後のレベルのフロー推論に影響を与える。 本稿では,2つのモジュールからなるディープネットワークである LiteFlowNet3 を紹介し,上記の課題に対処する。 1) フロー復号に先立って, 適応変調により各コストベクトルを補正することにより, コストボリュームのアウトレーヤの問題を改善する。 2) 局所的な流れの整合性を探ることで, 流れの精度をさらに向上する。 この目的のために、各不正確な光流は、流れ場の新規なワープにより、近くの位置からの正確な流れに置き換えられる。 LiteFlowNet3は、公開ベンチマークで有望な結果を達成するだけでなく、小さなモデルサイズと高速ランタイムも備えている。

関連論文リスト

• Rectified Diffusion: Straightness Is Not Your Need in Rectified Flow [65.51671121528858]
  拡散モデルは、視覚生成を大幅に改善したが、生成ODEを解くという計算集約的な性質のため、生成速度の遅さによって妨げられている。 広く認識されている解である整流流は、ODEパスを直線化することで生成速度を向上させる。 本稿では,より広範な拡散モデルのカテゴリをカバーするために,設計空間と修正の応用範囲を一般化するRectified Diffusionを提案する。
  論文  参考訳（メタデータ） (2024-10-09T17:43:38Z)
• Context-Aware Iteration Policy Network for Efficient Optical Flow Estimation [19.077966606237897]
  我々は,効率的な光フロー推定のためのコンテキスト認識反復ポリシーネットワークを開発した。 Sintel/KITTIデータセットのFLOPを約40%/20%削減しながら性能を維持できる。
  論文  参考訳（メタデータ） (2023-12-12T11:27:13Z)
• AccFlow: Backward Accumulation for Long-Range Optical Flow [70.4251045372285]
  本稿では、長距離光フロー推定のためのAccFlowと呼ばれる新しいリカレントフレームワークを提案する。 従来の前方累積よりも後方累積の方が優れていることを示す。 長距離光流量推定におけるAccFlowの有効性を検証する実験
  論文  参考訳（メタデータ） (2023-08-25T01:51:26Z)
• AnyFlow: Arbitrary Scale Optical Flow with Implicit Neural Representation [17.501820140334328]
  我々は,様々な解像度の画像から正確な流れを推定するロバストなネットワークであるAnyFlowを紹介した。 我々は,KITTIデータセット上でのクロスデータセット一般化の最先端性能を確立する。
  論文  参考訳（メタデータ） (2023-03-29T07:03:51Z)
• Deep Equilibrium Optical Flow Estimation [80.80992684796566]
  最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。 これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。 暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
  論文  参考訳（メタデータ） (2022-04-18T17:53:44Z)
• GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
  光フロー推定学習のためのGMFlowフレームワークを提案する。 機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。 我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
  論文  参考訳（メタデータ） (2021-11-26T18:59:56Z)
• Dense Optical Flow from Event Cameras [55.79329250951028]
  本稿では,イベントカメラからの高密度光フロー推定に特徴相関と逐次処理を導入することを提案する。 提案手法は、高密度光流を計算し、MVSEC上での終点誤差を23%削減する。
  論文  参考訳（メタデータ） (2021-08-24T07:39:08Z)
• OAS-Net: Occlusion Aware Sampling Network for Accurate Optical Flow [4.42249337449125]
  既存のディープネットワークは、ピラミッドの粗大なパラダイムを主に利用することで満足な結果を得た。 我々は,OAS-Netという軽量で効率的な光フローネットワークを提案し,正確な光フローを実現する。 SintelとKITTIデータセットの実験は、提案手法の有効性を実証している。
  論文  参考訳（メタデータ） (2021-01-31T03:30:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。