光学流估计的高效全对相关体抽样
计算机视觉与模式识别
2026-05-27 v2 机器学习
摘要
近期的光学流估计方法常采用稠密全对相关体上的局部成本抽样，导致像素数量的二次计算和内存复杂度。虽然存在一种基于按需成本计算的内存高效实现，但在实际中显著较慢，因而许多先前方法在下采样分辨率上处理图像，错失细粒细节。为此，我们提出一种同时实现全对相关体抽样的内存与计算高效算法，仍匹配 RAFT 定义的精确数学算子。我们的方法在保持 equally low 内存使用（相当于按需抽样）的同时，以最高可达 92% 的优势超越按需抽样，至少在默认实现上以最高可达 99% 的更低内存使用情况进行等效表现。由于成本抽样占整体运行时间的大部分比例，这可能导致在高分辨率输入上，整体模型推理时间最高可节省 63%。我们评估了现有方法，包括 8K 超高分辨率数据集和 SEA-RAFT 方法的推理时间扩展。通过此，我们在高分辨率下以准确率和运行时间均达到最先进水平。
引用
@article{arxiv.2505.16942,
title = {Efficient All-Pairs Correlation Volume Sampling for Optical Flow Estimation},
author = {Karlis Martins Briedis and Markus Gross and Christopher Schroers},
journal= {arXiv preprint arXiv:2505.16942},
year = {2026}
}
备注
CVPR 2026