GLU-Net：用于稠密流与对应关系的全局-局部通用网络
计算机视觉与模式识别
2021-04-06 v3
摘要
在一对图像间建立稠密对应关系是一个重要且普遍的问题，涵盖几何匹配、光流与语义对应。尽管这些应用共享基本挑战，如大位移、像素级精度与外观变化，它们目前由专为单一特定任务设计的专用网络架构处理。这严重限制了此类网络对新场景的泛化能力，例如需要对更大位移的鲁棒性或更高精度时。在本工作中，我们提出一种可直接应用于上述所有稠密对应问题的通用网络架构。我们通过研究全局与局部相关层的联合使用，实现了高精度与对大位移的鲁棒性。我们进一步提出自适应分辨率策略，使我们的网络能在几乎任意输入图像分辨率上运行。所提出的 GLU-Net 在使用相同网络与权重时，于几何与语义匹配以及光流上均达到最先进性能。代码与训练模型可在 https://github.com/PruneTruong/GLU-Net 获取。
引用
@article{arxiv.1912.05524,
title = {GLU-Net: Global-Local Universal Network for Dense Flow and Correspondences},
author = {Prune Truong and Martin Danelljan and Radu Timofte},
journal= {arXiv preprint arXiv:1912.05524},
year = {2021}
}
备注
Website: https://prunetruong.com/research/glu-net. Code: https://github.com/PruneTruong/GLU-Net. Video: https://www.youtube.com/watch?v=xB2gNx8f8Xc. CVPR 2020 (ORAL)