AnyFlow：基于隐式神经表示的任意尺度光流
计算机视觉与模式识别
2023-03-30 v1
摘要
为在实际应用中使用光流，常需将输入缩放至更小尺寸以降低计算成本。然而，缩小输入使估计更具挑战性，因为物体与运动范围变得更小。尽管近期方法已展示出高质量的光流估计，但当输入分辨率降低时，它们往往无法准确建模小物体与精确边界，限制了其对高分辨率输入的适用性。本文中，我们提出 AnyFlow，一种能从各种分辨率图像中估计准确光流的鲁棒网络。通过将光流表示为基于连续坐标的表示，AnyFlow 能从低分辨率输入生成任意尺度的输出，在广泛场景中以细节保留捕获微小物体方面展现出优于先前工作的性能。我们在 KITTI 数据集上确立了跨数据集泛化的新 SOTA 性能，同时在在线基准上达到与其他 SOTA 方法相当的精度。
引用
@article{arxiv.2303.16493,
title = {AnyFlow: Arbitrary Scale Optical Flow with Implicit Neural Representation},
author = {Hyunyoung Jung and Zhuo Hui and Lei Luo and Haitao Yang and Feng Liu and Sungjoo Yoo and Rakesh Ranjan and Denis Demandolx},
journal= {arXiv preprint arXiv:2303.16493},
year = {2023}
}
备注
CVPR 2023 (Highlight)