論文の概要: FreeFlow: A Bias-free Hierarchical Transformer for Optical Flow Estimation

• arxiv url: http://arxiv.org/abs/2609.11486v1
• Date: Thu, 10 Sep 2026 12:55:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.359728
• Title: FreeFlow: A Bias-free Hierarchical Transformer for Optical Flow Estimation
• Title（参考訳）: FreeFlow:光フロー推定のためのバイアスフリー階層変換器
• Abstract要約: FreeFlowはフロー固有のコンポーネントを使わずに構築された階層型トランスフォーマーで、代わりに単一のフィードフォワードエンコーダ-デコーダを使用する。 我々は、フロー固有のコンポーネントを使わずに構築された階層型トランスフォーマーであるFreeFlowを、代わりに1つのフィードフォワードエンコーダ-デコーダを使って提示する。
• 参考スコア（独自算出の注目度）: 39.56619111519502
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optical flow methods typically rely on task-specific inductive biases, such as correlation volumes, feature warping, and iterative refinement, among others, to reach high accuracy. While effective, such biases constrain the model to predefined heuristics, which can limit its expressivity and lead to more complex pipelines and additional computational cost. We present FreeFlow, a hierarchical transformer built without any flow-specific components, using instead a single feed-forward encoder--decoder. FreeFlow combines three attention variants: window attention for local processing, shifted-window attention for cross-window information exchange, and a global attention operating at a reduced resolution. The resulting architecture scales naturally with model capacity, enabling a consistent accuracy gain from small to large variants. Despite the absence of standard inductive biases, FreeFlow achieves state-of-the-art results on major benchmarks, including Sintel (0.68/1.48 EPE on Clean/Final), KITTI-2015 (3.23 Fl-all), and Spring (3.192 1px), while remaining memory efficient at 1080p inference.
• Abstract（参考訳）: 光学フロー法は通常、高い精度に到達するために、相関ボリュームや特徴ワープ、反復的精細化など、タスク固有の帰納バイアスに依存する。 このようなバイアスは有効であるが、モデルが事前に定義されたヒューリスティックスに制約されるため、表現性は制限され、より複雑なパイプラインと計算コストが増大する。 我々は、フロー固有のコンポーネントを使わずに構築された階層型トランスフォーマーであるFreeFlowを、代わりに1つのフィードフォワードエンコーダ-デコーダを使って提示する。 FreeFlowには、ローカル処理のためのウィンドウアテンション、クロスウィンドウ情報交換のためのシフトウインドウアテンション、解像度を下げたグローバルアテンションの3つのバリエーションが組み合わされている。 結果として生じるアーキテクチャは、モデルキャパシティとともに自然にスケールし、小さなものから大きなものまで、一貫した精度の向上を可能にします。 標準の帰納バイアスがないにもかかわらず、FreeFlowはSintel (0.68/1.48 EPE on Clean/Final)、KITTI-2015 (3.23 Fl-all)、Spring (3.192 1px)などの主要なベンチマークで最先端の結果を得た。

関連論文リスト

• 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)
• PeRFlow: Piecewise Rectified Flow as Universal Plug-and-Play Accelerator [73.80050807279461]
  Piecewise Rectified Flow (PeRFlow) は拡散モデルの高速化のためのフローベース手法である。 PeRFlowは数ステップの世代で優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-05-13T07:10:53Z)
• Boundary-aware Decoupled Flow Networks for Realistic Extreme Rescaling [49.215957313126324]
  Invertible rescaling Network (IRN) やgenerative adversarial Network (GAN) などを含む最近の生成手法は、画像再スケーリングにおいて例外的な性能を示した。 しかし、IRNベースの手法は過度に滑らかな結果を生成する傾向にあり、一方、GANベースの手法は偽の細部を容易に生成する。 本稿では,現実的かつ視覚的に満足な結果を生成するために,境界対応デカップリングフローネットワーク(BDFlow)を提案する。
  論文  参考訳（メタデータ） (2024-05-05T14:05:33Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)
• 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)
• Kernelised Normalising Flows [10.31916245015817]
  正規化フローは、密度推定と生成の二重能力によって特徴づけられる非パラメトリック統計モデルである。 本稿では,カーネルをフレームワークに統合する新しいカーネル正規化フローパラダイムであるFerumal Flowを紹介する。
  論文  参考訳（メタデータ） (2023-07-27T13:18:52Z)
• 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)
• 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)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)
• Self Normalizing Flows [65.73510214694987]
  本稿では,各層における学習された近似逆数により,勾配の高価な項を置き換えることで,フローの正規化を訓練するための柔軟なフレームワークを提案する。 これにより、各レイヤの正確な更新の計算複雑性が$mathcalO(D3)$から$mathcalO(D2)$に削減される。 実験により,これらのモデルは非常に安定であり,正確な勾配値と類似したデータ可能性値に最適化可能であることが示された。
  論文  参考訳（メタデータ） (2020-11-14T09:51:51Z)
• OT-Flow: Fast and Accurate Continuous Normalizing Flows via Optimal Transport [8.468007443062751]
  正規化フローは任意の確率分布と標準正規分布の間の可逆写像である。 OT-Flowは、より広範なCNFの使用を制限する2つの重要な計算課題に取り組む。 5つの高次元密度推定および生成モデリングタスクにおいて、OT-Flowは最先端CNFと競合して動作する。
  論文  参考訳（メタデータ） (2020-05-29T22:31:10Z)

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。