論文の概要: AccFlow: Backward Accumulation for Long-Range Optical Flow
- arxiv url: http://arxiv.org/abs/2308.13133v1
- Date: Fri, 25 Aug 2023 01:51:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-28 15:32:00.599266
- Title: AccFlow: Backward Accumulation for Long-Range Optical Flow
- Title(参考訳): AccFlow:長距離光流の後方累積
- Authors: Guangyang Wu, Xiaohong Liu, Kunming Luo, Xi Liu, Qingqing Zheng,
Shuaicheng Liu, Xinyang Jiang, Guangtao Zhai, Wenyi Wang
- Abstract要約: 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
- 参考スコア(独自算出の注目度): 70.4251045372285
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent deep learning-based optical flow estimators have exhibited impressive
performance in generating local flows between consecutive frames. However, the
estimation of long-range flows between distant frames, particularly under
complex object deformation and large motion occlusion, remains a challenging
task. One promising solution is to accumulate local flows explicitly or
implicitly to obtain the desired long-range flow. Nevertheless, the
accumulation errors and flow misalignment can hinder the effectiveness of this
approach. This paper proposes a novel recurrent framework called AccFlow, which
recursively backward accumulates local flows using a deformable module called
as AccPlus. In addition, an adaptive blending module is designed along with
AccPlus to alleviate the occlusion effect by backward accumulation and rectify
the accumulation error. Notably, we demonstrate the superiority of backward
accumulation over conventional forward accumulation, which to the best of our
knowledge has not been explicitly established before. To train and evaluate the
proposed AccFlow, we have constructed a large-scale high-quality dataset named
CVO, which provides ground-truth optical flow labels between adjacent and
distant frames. Extensive experiments validate the effectiveness of AccFlow in
handling long-range optical flow estimation. Codes are available at
https://github.com/mulns/AccFlow .
- Abstract(参考訳): 近年の深層学習に基づく光フロー推定器は,連続するフレーム間の局所的な流れの生成において顕著な性能を示した。
しかし、特に複雑な物体変形や大きな動きの閉塞下での遠方フレーム間の長距離流れの推定は依然として難しい課題である。
有望な解決策の1つは、所望の長距離フローを得るために局所フローを明示的にまたは暗黙的に蓄積することである。
それでも、累積誤差とフローの不整合は、このアプローチの有効性を妨げる可能性がある。
本稿では, AccPlus と呼ばれる変形可能なモジュールを用いて, 再帰的に局所的な流れを蓄積する AccFlow という新しいフレームワークを提案する。
また,accplusと共に適応型ブレンディングモジュールを設計し,後方累積による閉塞効果を軽減し,蓄積誤差を補正する。
特に,これまでの知識の最大化に至らず,従来のフォワード蓄積よりも後方累積が優れていることを示す。
提案したAccFlowをトレーニングし,評価するために,隣接フレームと遠フレーム間の地中光フローラベルを提供するCVOという大規模高品質データセットを構築した。
長距離光流量推定におけるaccflowの有効性を検証した。
コードはhttps://github.com/mulns/AccFlowで入手できる。
関連論文リスト
- Constant Acceleration Flow [13.49794130678208]
正規微分方程式(ODE)の流れを漸進的に直線化することにより、整流と再流の手順は高速に生成できる。
結合と呼ばれる画像と雑音のペアは、一定速度の直線軌道によって近似できるという仮定の下で機能する。
本稿では, 単純な定数加速度方程式に基づく新しいフレームワークである定数加速度流(CAF)を紹介する。
論文 参考訳(メタデータ) (2024-11-01T02:43:56Z) - FlowIE: Efficient Image Enhancement via Rectified Flow [71.6345505427213]
FlowIEはフローベースのフレームワークであり、基本的な分布から高品質な画像への直線パスを推定する。
私たちのコントリビューションは、合成および実世界のデータセットに関する包括的な実験を通じて、厳密に検証されています。
論文 参考訳(メタデータ) (2024-06-01T17:29:29Z) - StreamFlow: Streamlined Multi-Frame Optical Flow Estimation for Video
Sequences [31.210626775505407]
連続するフレーム間のオクルージョンは、長い間、光学的フロー推定において重要な課題を提起してきた。
本稿では,ビデオ入力に適したストリーム・イン・バッチ・マルチフレーム(SIM)パイプラインを提案する。
StreamFlowは、挑戦的なKITTIとSintelデータセットのパフォーマンスだけでなく、排他的領域でも特に改善されている。
論文 参考訳(メタデータ) (2023-11-28T07:53:51Z) - GAFlow: Incorporating Gaussian Attention into Optical Flow [62.646389181507764]
我々はガウス的注意(GA)を光学フローモデルに押し込み、表現学習中に局所特性をアクセントする。
本稿では,既存の Transformer ブロックに簡単に接続可能な新しい Gaussian-Constrained Layer (GCL) を提案する。
動作解析のための新しいガウス誘導注意モジュール(GGAM)を提供する。
論文 参考訳(メタデータ) (2023-09-28T07:46:01Z) - Normalizing flow neural networks by JKO scheme [22.320632565424745]
我々はJKO-iFlowと呼ばれるニューラルネットワークを開発し、Jordan-Kinderleherer-Ottoスキームに触発された。
提案手法は,残余ブロックを次々と積み重ねることにより,残余ブロックの効率的なブロックワイズ訓練を可能にする。
合成および実データを用いた実験により,提案したJKO-iFlowネットワークが競合性能を発揮することが示された。
論文 参考訳(メタデータ) (2022-12-29T18:55:00Z) - 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) - LiteFlowNet3: Resolving Correspondence Ambiguity for More Accurate
Optical Flow Estimation [99.19322851246972]
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。
論文 参考訳(メタデータ) (2020-07-18T03:30:39Z)
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。