Flow Fields：用于高精度大位移光流估计的稠密对应场
计算机视觉与模式识别
2015-10-21 v2
摘要
现代大位移光流算法通常使用稀疏描述子匹配技术或稠密近似最近邻场进行初始化。虽然后者具有稠密的优势，但有一个主要缺点，即极易产生离群点，因为它们并非为寻找光流而设计，而是寻找视觉上最相似的对应关系。在本文中，我们提出了一种稠密对应场方法，该方法产生离群点的可能性大大降低，因此比近似最近邻场更适合用于光流估计。我们的方法在概念上是新颖的，因为它不需要显式的正则化、平滑（如中值滤波）或新的数据项，而仅仅依靠我们新颖的纯基于数据的搜索策略，该策略能找到大多数内点（即使是对于小目标），同时有效避免找到离群点。此外，我们提出了用于离群点过滤的新颖增强方法。我们表明，与最先进的描述子匹配技术相比，我们的方法更适合于大位移光流估计。我们通过用我们的 Flow Fields 替代 EpicFlow（迄今为止在 MPI-Sintel 上的最佳方法）最初使用的最先进的描述子匹配技术来对其进行初始化。我们在 MPI-Sintel、KITTI 和 Middlebury 上显著优于原始的 EpicFlow。
引用
@article{arxiv.1508.05151,
title = {Flow Fields: Dense Correspondence Fields for Highly Accurate Large Displacement Optical Flow Estimation},
author = {Christian Bailer and Bertram Taetz and Didier Stricker},
journal= {arXiv preprint arXiv:1508.05151},
year = {2015}
}