論文の概要: TinyFlow: Breaking the Warping Bottleneck for Edge Optical Flow
- arxiv url: http://arxiv.org/abs/2610.33338v1
- Date: Fri, 23 Oct 2026 22:21:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.304273
- Title: TinyFlow: Breaking the Warping Bottleneck for Edge Optical Flow
- Title（参考訳）: TinyFlow:エッジオプティカルフローのウォーミングボトムネックを破る
- Abstract要約: 一定のオフセットに対する固定ウィンドウ相関でワープを置き換えることで、粗粒微細化を保ちながらワープのない光フローネットワークであるTinyFlowを提案する。
Float32-to-INT8のペナルティは、MPI-Sintel上で0.2の終点誤差(EPE)に減少する。
- 参考スコア（独自算出の注目度）: 2.615687946630222
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-performance optical flow networks are difficult to deploy on resource-constrained edge accelerators because their iterative refinement warps features by the current flow, which relies on flow-dependent resampling and data-dependent memory access. We present TinyFlow, a 1.26M-parameter warp-free optical flow network that preserves iterative coarse-to-fine refinement by replacing the warp with a fixed-window correlation over constant offsets, so the whole network compiles as a single static INT8 graph. Quantization-aware fine-tuning, warp-teacher distillation, and model souping reduce the Float32-to-INT8 penalty to below 0.2 end-point error (EPE) on MPI-Sintel. TinyFlow outperforms EdgeFlowNet and NanoFlowNet on Sintel Clean, Sintel Final, and FlyingChairs in both Float32 and INT8, while using 54% fewer parameters than EdgeFlowNet, and our INT8 model achieves 6.29/7.13 EPE on Sintel Clean/Final. In flow-only monocular visual odometry on TartanAir and UZH-FPV, the same INT8 model yields the lowest trajectory error on seven of eleven sequences.
- Abstract（参考訳）: フロー依存リサンプリングとデータ依存メモリアクセスに依存するため、資源制約されたエッジアクセラレーターに高速な光フローネットワークを配置することは困難である。
我々は,1.26Mパラメータのワープのない光フローネットワークであるTinyFlowについて,一定オフセット上でワープを固定窓相関に置き換えることで,繰り返し粗い微細化を保ち,ネットワーク全体を1つの静的INT8グラフとしてコンパイルする。
Float32-to-INT8のペナルティは、MPI-Sintel上で0.2の終点誤差(EPE)に減少する。
TinyFlowは、EdgeFlowNetとNanoFlowNetを、Sintel Clean、Sintel Final、FlyingChairsで、EdgeFlowNetよりも54%少ないパラメータを使用しながら、Float32とINT8で上回り、私たちのINT8モデルはSintel Clean/Finalで6.29/7.13 EPEを達成した。
TartanAir と UZH-FPV 上のフローオンリーの単眼視計測では、同じINT8 モデルが11つのシーケンスのうち7つで最小の軌道誤差をもたらす。
関連論文リスト
- TIO-Former: Ultra-Lightweight 6-Directional ToF-Inertial Odometry for Nano-UAVs via a Streaming Causal Transformer [19.298838240329292]
TIO-FORMERは、ナノUAV用のカメラレス光フローナビゲーションフレームワークである。
ナノUAVの光学流と比較して、開ループ位置誤差を54.4%削減する。
資源制約されたマイクロエアリアルロボットに実用的なアンカーを提供する。
論文 参考訳（メタデータ） (2026-09-15T13:54:06Z) - FreeFlow: A Bias-free Hierarchical Transformer for Optical Flow Estimation [39.56619111519502]
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。
論文 参考訳（メタデータ） (2026-09-10T12:55:04Z) - SRFlow: A Dataset and Regularization Model for High-Resolution Facial Optical Flow via Splatting Rasterization [9.108257371079274]
Splatting Rasterization Flow (SRFlow) は高解像度の顔光フローデータセットである。
また,正規化損失を調整した顔光フローモデルSRFlowNetを提案する。
論文 参考訳（メタデータ） (2026-01-10T08:14:00Z) - MFI-ResNet: Efficient ResNet Architecture Optimization via MeanFlow Compression and Selective Incubation [7.158376693956831]
MeanFlow-Incubated ResNetはパラメータ効率と識別性能を改善している。
MFI-ResNetは、ResNet-50と比較してパラメータを46.28%、45.59%削減し、精度は0.23%、0.17%向上した。
論文 参考訳（メタデータ） (2025-11-16T02:33:50Z) - AlphaFlow: Understanding and Improving MeanFlow Models [74.64465762009475]
その結果,MeanFlowの目的は,トラジェクティブフローマッチングとトラジェクトリ一貫性という2つの部分に分けられることがわかった。
これらの知見に触発されて、軌跡フローマッチング、ショートカットモデル、MeanFlowを統一する目的の広いファミリーである$alpha$-Flowを紹介した。
クラス条件のImageNet-1K 256x256をバニラのDiTバックボーンでスクラッチからトレーニングすると、$alpha$-Flowはスケールと設定でMeanFlowを一貫して上回る。
論文 参考訳（メタデータ） (2025-10-23T17:45:06Z) - Simple ReFlow: Improved Techniques for Fast Flow Models [68.32300636049008]
拡散および流れマッチングモデルは、優れた生成性能を実現するが、多くのサンプリングステップを犠牲にしている。
我々は、力学、学習、推論のトレーニングに7つの改善点を提案する。
我々は、ニューラルネットワークによる高速な生成のために、最先端のFIDスコア(ガイダンスなし/参照なし)を達成している。
論文 参考訳（メタデータ） (2024-10-10T11:00:55Z) - 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) - MicroNet: Improving Image Recognition with Extremely Low FLOPs [82.54764264255505]
疎結合性と動的アクティベーション関数の2つの要因が,精度向上に有効であることがわかった。
非線形性を改善するために動的シフトマックスと呼ばれる新しい動的アクティベーション関数を提案する。
私たちはMicroNetというネットワークのファミリに到達し、低FLOP体制下での最先端技術に対して大きなパフォーマンス向上を実現しています。
論文 参考訳（メタデータ） (2021-08-12T17:59:41Z) - 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) - MicroNet: Towards Image Recognition with Extremely Low FLOPs [117.96848315180407]
MicroNetは計算コストの極めて低い効率的な畳み込みニューラルネットワークである。
MicroNetのファミリは、低いFLOP体制における最先端技術よりも大きなパフォーマンス向上を実現している。
例えば、MicroNet-M1は12のMFLOPを持つImageNet分類において61.1%のトップ-1の精度を達成し、MobileNetV3を11.3%上回っている。
論文 参考訳（メタデータ） (2020-11-24T18:59:39Z)
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。