EV-MGRFlowNet：基于混合运动补偿损失的运动引导循环网络用于无监督事件光流估计
计算机视觉与模式识别
2023-05-16 v1
摘要
事件相机具有高时间分辨率和高动态范围等优越特性，这些优势已被用于许多机器视觉任务，尤其是光流估计。当前大多数基于事件的现有工作使用深度学习估计光流，但其网络未充分利用先验隐藏状态与运动流，且监督策略未充分借助事件数据的几何约束以释放网络潜力。本文提出 EV-MGRFlowNet，一种无监督的基于事件的光流估计流程，采用运动引导循环网络与混合运动补偿损失。首先，我们提出特征增强循环编码网络（FERE-Net），充分利用先验隐藏状态获取多级运动特征；随后提出流引导解码网络（FGD-Net）以整合先验运动流；最后设计混合运动补偿损失（HMC-Loss）以增强几何约束，实现更精确的事件对齐。实验结果表明，我们的方法在 MVSEC 数据集上优于当前 SOTA 方法，平均端点误差（AEE）平均降低约 22.71%。据我们所知，我们的方法在无监督学习方法中位居第一。
引用
@article{arxiv.2305.07853,
title = {EV-MGRFlowNet: Motion-Guided Recurrent Network for Unsupervised Event-based Optical Flow with Hybrid Motion-Compensation Loss},
author = {Hao Zhuang and Xinjie Huang and Kuanxu Hou and Delei Kong and Chenming Hu and Zheng Fang},
journal= {arXiv preprint arXiv:2305.07853},
year = {2023}
}
备注
11 pages, 7 figures