从非配对图像合成光流数据集

由于遮挡、阴影、反射、缺乏纹理以及随时间变化的光照等因素导致对应缺失，光流估计是一项模糊的任务。因此，无监督方法面临重大挑战，因为它们需要调整包含多个项的复杂代价函数，以分别处理这些模糊来源。相比之下，监督方法完全避免了这些挑战，其依赖于直接从合成或真实数据中获得的显式光流真值。在合成数据的情况下，真值对给定场景应分配何种光流提供了精确而显式的描述。然而，合成数据与真实数据之间的域差距常常限制训练网络的泛化能力。在真实数据的情况下，真值通过多传感器和额外数据处理获得，这可能引入持续性错误并污染真值。作为这些问题的解决方案，我们引入一种新方法，构建可用于以监督方式训练光流的伪真实图像训练集。我们的数据集使用来自真实数据的两帧非配对图像，并通过模拟随机扭曲、超像素遮挡、阴影和光照变化来创建图像对，并将其与对应的精确光流相关联。因此，我们获得了直接在真实数据上训练的同时又能访问精确真值的益处。在Sintel和KITTI基准上使用我们的数据集进行训练十分简便，所产生的模型与更复杂训练方法中达到最先进性能的模型相当或更优。