用于光流的条件先验网络

光流的传统计算涉及捕捉图像基本统计特性但不捕捉长程关联或语义的通用先验（正则化子）。另一方面，全监督方法学习标注数据中的规律性，无显式正则化且存在过拟合风险。我们旨在学习可能与图像统计兼容的流集合上的更丰富先验。一旦以监督方式学得先验，便可轻松学习完整映射以直接从两幅或更多图像推断光流，无需（额外）监督。我们引入一种称为条件先验网络（CPN）的新架构，并展示如何训练它以产生条件先验。当与简单光流架构结合使用时，CPN 在使用相同数据项的情况下击败所有变分方法和所有无监督基于学习的方法。其性能与全监督方法相当，但后者是针对特定数据集微调的。而我们的方法即使在数据集间迁移时也表现良好。