論文の概要: LC-Flow: Learning Local Continuous Optical Flow and Confidence from events

• arxiv url: http://arxiv.org/abs/2605.24604v1
• Date: Sat, 23 May 2026 14:42:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.269928
• Title: LC-Flow: Learning Local Continuous Optical Flow and Confidence from events
• Title（参考訳）: LC-Flow: ローカルな連続光学フローとイベントからの信頼を学習する
• Authors: Gunwoo Jeon, Chaesong Park, Jongwoo Lim,
• Abstract要約: イベントカメラは、マイクロ秒の解像度で非同期に明るさ変化をキャプチャするが、既存の光学フロー法では、この時間的連続性を利用できない。 ローカルイベントから純粋に動作する時間連続学習型光フロー推定器である textbfLC-Flow を提案する。
• 参考スコア（独自算出の注目度）: 5.146238489510258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event cameras capture brightness changes asynchronously with microsecond resolution, yet existing optical flow methods fail to fully exploit this temporal continuity. Frame-based approaches impose artificial accumulation latency and suffer from domain overfitting, while model-based local methods operate statelessly, discarding temporal history between predictions and yielding inaccurate flows. We propose \textbf{LC-Flow}, the first temporally continuous, learning-based optical flow estimator that operates purely from local events. At its core, a Continuous Local Recurrent Network maintains persistent hidden states per spatial grid, incrementally accumulating temporal context as events arrive. Unlike frame-based methods constrained to fixed accumulation windows, and unlike stateless model-based methods that recompute motion from scratch at each step, LC-Flow produces sparse local flow estimates at arbitrary timestamps with full motion history. To address the inherent ambiguity of local observations, we jointly learn a confidence score that quantifies the reliability of each prediction, explicitly handling event sparsity and the aperture problem. This confidence serves a dual role: filtering unreliable estimates for downstream tasks such as visual odometry, and providing principled weights for a multi-scale confidence-guided aggregation that reconstructs globally consistent flow from the sparse local outputs. LC-Flow achieves state-of-the-art performance among local methods on both MVSEC and DSEC, while the confidence-guided aggregation establishes a new overall state-of-the-art on the MVSEC benchmark, surpassing heavy frame-based networks that rely on global spatial priors.
• Abstract（参考訳）: イベントカメラは、マイクロ秒の解像度で非同期に明るさ変化をキャプチャするが、既存の光流法では、この時間的連続性を完全に活用できない。 フレームベースのアプローチは、人工的な蓄積遅延を課し、ドメインオーバーフィッティングに苦しむ一方で、モデルベースのローカルメソッドはステートレスに動作し、予測間の時間的履歴を破棄し、不正確なフローをもたらす。 ローカルイベントから純粋に動作する時間的連続学習型光フロー推定器である「textbf{LC-Flow}」を提案する。 中心となるのは、連続ローカルリカレントネットワーク(Continuous Local Recurrent Network)で、空間グリッド毎に永続的な隠れ状態を保持し、イベントが到着するにつれて、時間的コンテキストを漸進的に蓄積する。 固定集積ウィンドウに制約されたフレームベースの手法と異なり、各ステップでスクラッチから動きを再現するステートレスモデルベースの手法とは異なり、LC-Flowはフルモーション履歴を持つ任意のタイムスタンプでスパースな局所フロー推定を生成する。 局所的な観測のあいまいさに対処するために,各予測の信頼性を定量的に評価する信頼度スコアを共同で学習し,イベントの空間性や開口問題に明示的に対処する。 この信頼度は、ビジュアル・オドメトリーのような下流のタスクに対する信頼できない見積もりをフィルタリングし、スパース局所出力から大域的に一貫したフローを再構築するマルチスケールの信頼誘導アグリゲーションに対して原則化された重みを与えるという2つの役割を果たす。 LC-Flow は MVSEC と DSEC の両方のローカル手法の最先端性能を達成し、一方、信頼性誘導アグリゲーションはMVSEC ベンチマークにおける新たな総合的最先端性を確立し、グローバルな空間的先行性に依存する重フレームベースのネットワークを上回っている。

関連論文リスト

• RAFT-MSF++: Temporal Geometry-Motion Feature Fusion for Self-Supervised Monocular Scene Flow [51.43025173196566]
  単眼のシーンフロー推定は画像列から高密度な3次元動きを復元することを目的としている。 RAFT-MSF++は,時間的特徴を融合して深度とシーンフローを推定する自己教師型マルチフレームフレームワークである。 実験の結果、RAFT-MSF++はKITTI Scene Flowベンチマークで24.14%のSF-allを達成した。
  論文  参考訳（メタデータ） (2026-04-21T11:32:49Z)
• FlowIt: Global Matching for Optical Flow with Confidence-Guided Refinement [44.07406912385784]
  FlowItは光フロー推定のための新しいアーキテクチャである。 大きなピクセルの変位を頑健に扱えるように設計されている。 競合するSintelとKITTIのベンチマークで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2026-03-30T17:58:12Z)
• DFPO: Scaling Value Modeling via Distributional Flow towards Robust and Generalizable LLM Post-Training [94.568675548967]
  実環境における訓練強化学習(RL)システムは、ノイズの多い監視とドメイン外の一般化が不十分なため、依然として困難である。 近年の分布RL法は、複数の量子点を持つ値をモデル化することでロバスト性を向上させるが、スカラーとして各量子点を独立に学習する。 DFPOは、時間ステップをまたいだ連続フローとして値をモデル化する、ロバストな分散RLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-05T17:07:42Z)
• Inference-Time Gaze Refinement for Micro-Expression Recognition: Enhancing Event-Based Eye Tracking with Motion-Aware Post-Processing [2.5465367830324905]
  イベントベースの視線追跡は、きめ細かい認知状態の推測に重要な可能性を秘めている。 本稿では、既存の事象に基づく視線推定モデルの出力を高めるために、モデルに依存しない推論時間改善フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-14T14:48:11Z)
• Event Signal Filtering via Probability Flux Estimation [58.31652473933809]
  イベントは、非同期センシングを通じてシーンダイナミクスをキャプチャするための新しいパラダイムを提供するが、その固有のランダム性は、しばしば劣化した信号品質につながる。 したがって、イベント信号フィルタリングは、この内部ランダム性を低減し、多様な取得条件をまたいだ一貫した出力を確保することで、忠実性を高めるために不可欠である。 本稿ではイベント密度フローフィルタ(EDFilter)と呼ばれる生成オンラインフィルタリングフレームワークを紹介する。 実験では、イベントフィルタリング、スーパーレゾリューション、イベントベースの直接追跡といったタスクでEDFilterのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-10T07:03:08Z)
• GC-ConsFlow: Leveraging Optical Flow Residuals and Global Context for Robust Deepfake Detection [23.05634856249282]
  ディープフェイク技術は、高度にリアルに操作されたビデオの生成を可能にし、深刻な社会的および倫理的課題を提起している。 既存のディープフェイク検出方法は、主に空間的または時間的不整合に焦点を合わせ、両者の相互作用を無視した。 本稿では,空間的特徴と時間的特徴を効果的に統合し,堅牢なDeepfake検出を実現する新しい2重ストリームフレームワークであるGC-ConsFlowを提案する。
  論文  参考訳（メタデータ） (2025-01-23T07:43:56Z)
• Learning Normal Flow Directly From Event Neighborhoods [18.765370814655626]
  正規フロー推定のための新しい教師付き点ベース手法を提案する。 ローカル・ポイント・クラウド・エンコーダを用いて,本手法は生イベントからのイベント当たりの通常の流れを直接推定する。 提案手法は, 異なるデータセット間で転送される場合の最先端手法よりも, より優れた, より一貫性のある性能を実現する。
  論文  参考訳（メタデータ） (2024-12-15T19:09:45Z)
• 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)
• 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)
• Optical-Flow-Reuse-Based Bidirectional Recurrent Network for Space-Time Video Super-Resolution [52.899234731501075]
  時空間ビデオ超解像(ST-VSR)は、与えられたビデオの空間解像度とフレームレートを同時に増加させる。 既存の手法は通常、近隣の幅広いフレームからの情報を効率的に活用する方法の難しさに悩まされる。 本稿では,隣接するフレーム間の知識を活用するために,ConvLSTMの代わりに粗大な双方向リカレントニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-13T15:21:30Z)
• Self-Supervised Multi-Frame Monocular Scene Flow [61.588808225321735]
  自己監督学習に基づくマルチフレーム一眼的シーンフローネットワークを導入。 自己監督学習に基づく単眼的シーンフロー法における最新の精度を観察する。
  論文  参考訳（メタデータ） (2021-05-05T17:49:55Z)

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。