論文の概要: Optical Flow from Photons

• arxiv url: http://arxiv.org/abs/2608.00499v1
• Date: Sat, 01 Aug 2026 07:45:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.727884
• Title: Optical Flow from Photons
• Title（参考訳）: 光子からの光の流れ
• Abstract要約: 単一光子アバランシェダイオード(SPAD)カメラは、単一光子感度と極細時間サンプリングを提供する。 しかし、これらの高いFPSバイナリフォトンストリームの個々のスライスは、密度の高い対応にはスパースすぎる。 本研究では,SPADストリームから直接の高密度光流のQuantaFlowを提案する。
• 参考スコア（独自算出の注目度）: 45.38756990937711
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optical flow remains challenging in high-speed and low-light scenes, where the limited frame rate and sensitivity of conventional cameras lead to motion blur and underexposure. Single-photon avalanche diode (SPAD) cameras offer single-photon sensitivity and extremely fine temporal sampling. However, individual slices in these high FPS binary photon streams are too sparse for dense correspondence. Temporal aggregation can provide the spatial cues required by optical flow, but accumulating photons at fixed coordinates blurs moving structures. Motion-aware aggregation can reduce this blur, yet it depends on the flow being estimated. To address this dependency, we propose QuantaFlow, the first method for dense optical flow directly from SPAD streams. Instead of constructing a fixed input representation, QuantaFlow embeds SPAD representation construction into iterative flow refinement. At each iteration, the current flow coarsely aligns the slices within the source and target sub-streams. A photon-flux transformation then constructs multi-scale representations containing intensity and structural cues, while adaptive multi-scale fusion balances photon noise and residual motion blur at each pixel. The fused representations drive a feature-warping flow update, and the refined flow guides representation construction in the next iteration. We further construct a synthetic dataset for SPAD optical-flow training and evaluation. Experiments on the synthetic dataset and real-world SPAD data demonstrate the effectiveness and generalization of QuantaFlow.
• Abstract（参考訳）: 光の流れは、従来のカメラのフレームレートと感度が制限され、動きのぼやけや露出不足につながるような、高速で低照度なシーンでは依然として困難である。 単一光子アバランシェダイオード(SPAD)カメラは、単一光子感度と極細時間サンプリングを提供する。 しかし、これらの高いFPSバイナリフォトンストリームの個々のスライスは、密度の高い対応にはスパースすぎる。 テンポラルアグリゲーションは光の流れに必要な空間的手がかりを提供するが、固定された座標での光子蓄積は動く構造をぼかす。 モーションアウェア・アグリゲーションは、このぼかしを減少させるが、推定される流れに依存する。 そこで本研究では,SPADストリームから直接の高密度光流の一手法であるQuantaFlowを提案する。 固定された入力表現を構築する代わりに、QuantaFlowはSPAD表現構造を反復的なフロー改善に組み込む。 各イテレーションにおいて、現在のフローはソース内のスライスとターゲットサブストリームを粗く整列する。 光子-流束変換は、強度と構造的手がかりを含むマルチスケール表現を構築し、適応的な多スケール融合は各画素における光子ノイズと残留運動のぼかしのバランスをとる。 融合表現は特徴ウォープフローの更新を駆動し、洗練されたフローは次のイテレーションで表現構築をガイドする。 さらに,SPAD光フロートレーニングと評価のための合成データセットを構築した。 合成データセットと実世界のSPADデータの実験は、QuantaFlowの有効性と一般化を実証している。

関連論文リスト

• OCAI: Improving Optical Flow Estimation by Occlusion and Consistency Aware Interpolation [55.676358801492114]
  本稿では,中間映像フレームと光フローを同時に生成することで,フレームのあいまいさを頑健に支援するOCAIを提案する。 我々は,Sintel や KITTI などの既存のベンチマークにおいて,優れた品質と光フロー精度を実証した。
  論文  参考訳（メタデータ） (2024-03-26T20:23:48Z)
• Towards Anytime Optical Flow Estimation with Event Cameras [37.892840680923584]
  イベントカメラはミリ秒レベルでの対数輝度の変化に反応し、光フロー推定に最適である。 既存のイベントカメラからのデータセットは、光学フローに対して低フレームレートの地上真実を提供するのみである。 本研究では,高フレームレートのイベント光流を生成するEVent-based Anytime Flow推定ネットワークであるEVA-Flowを提案する。
  論文  参考訳（メタデータ） (2023-07-11T06:15:12Z)
• Deep Dynamic Scene Deblurring from Optical Flow [53.625999196063574]
  汚れは視覚的により快適な写真を提供し、写真がより便利になる。 非均一な曖昧さを数学的にモデル化することは困難である。 我々は,難解な特徴から鮮明な画像を復元する畳み込みニューラルネットワーク(CNN)を開発した。
  論文  参考訳（メタデータ） (2023-01-18T06:37:21Z)
• Learning Dense and Continuous Optical Flow from an Event Camera [28.77846425802558]
  DAVISのようなイベントカメラは、高時間分解能イベントと低フレームレートの強度イメージを同時に出力することができる。 既存の光学フロー推定法のほとんどは、2つの連続した画像フレームに基づいており、固定時間間隔でのみ離散フローを推定できる。 本稿では,イベントストリームを持つ単一画像から,深層学習に基づく高密度かつ連続的な光フロー推定フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-16T17:53:18Z)
• RealFlow: EM-based Realistic Optical Flow Dataset Generation from Videos [28.995525297929348]
  RealFlowは、ラベルのないリアルなビデオから直接、大規模な光フローデータセットを作成することができるフレームワークである。 まず,一対のビデオフレーム間の光フローを推定し,予測されたフローに基づいて,このペアから新たな画像を生成する。 本手法は,教師付きおよび教師なしの光流法と比較して,2つの標準ベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-07-22T13:33:03Z)
• SCFlow: Optical Flow Estimation for Spiking Camera [50.770803466875364]
  スパイキングカメラは、特に高速シーンのモーション推定において、現実の応用において大きな可能性を秘めている。 光フロー推定は画像ベースおよびイベントベースの視覚において顕著な成功を収めているが、既存の手法はスパイクカメラからのスパイクストリームに直接適用することはできない。 本稿では、スパイキングカメラのための光フロー推定のための新しいディープラーニングパイプラインSCFlowについて述べる。
  論文  参考訳（メタデータ） (2021-10-08T06:16:45Z)
• 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)
• OmniFlow: Human Omnidirectional Optical Flow [0.0]
  我々はomniflow: a new synthetic omnidirectional human optical flow datasetを提案する。 レンダリングエンジンに基づいて、テクスチャルーム、キャラクター、アクション、オブジェクト、イルミネーション、モーションボケを備えた自然主義的な3D屋内環境を作成します。 シミュレーションは、家庭内活動の出力画像と、それに対応する前方および後方の光学的流れを有する。
  論文  参考訳（メタデータ） (2021-04-16T08:25:20Z)
• Learning optical flow from still images [53.295332513139925]
  我々は,容易に利用可能な単一の実画像から,高精度な光学的フローアノテーションを迅速かつ多量に生成するフレームワークを提案する。 既知の動きベクトルと回転角を持つ再構成された環境でカメラを仮想的に移動させる。 我々のデータでトレーニングすると、最先端の光フローネットワークは、実データを見るのに優れた一般化を実現する。
  論文  参考訳（メタデータ） (2021-04-08T17:59:58Z)
• Fusion-FlowNet: Energy-Efficient Optical Flow Estimation using Sensor Fusion and Deep Fused Spiking-Analog Network Architectures [7.565038387344594]
  本稿では,フレームベースとイベントベースの両方のセンサを用いたエネルギー効率の高い光フロー推定のためのセンサ融合フレームワークを提案する。 我々のネットワークは、高価なビデオアノテーションを避けるために教師なし学習を用いてエンドツーエンドで訓練されている。
  論文  参考訳（メタデータ） (2021-03-19T02:03:33Z)

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。