RAFT-MSF：基于递归优化器的自监督单目场景流方法
计算机视觉与模式识别
2022-05-04 v1 机器学习
机器人学
摘要
从单目相机学习场景流仍是一项具有挑战性的任务，因其不适定性以及缺乏标注数据。自监督方法展示了从未标注数据学习场景流估计，但其精度落后于（半）监督方法。在本文中，我们提出了一种自监督单目场景流方法，大幅提升了相较先前方法的精度。基于最先进的 optical flow 模型 RAFT，我们设计了一个新的解码器来同时迭代更新三维运动场和视差图。此外，我们提出了一种增强的上采样层与一种视差初始化技术，整体进一步将精度提升多达 7.2%。我们的方法在所有自监督单目场景流方法中达到了最先进的精度，将精度提升 34.2%。我们微调后的模型以 228 倍更快的运行时超越了此前最佳的半监督方法。代码将公开可用。
引用
@article{arxiv.2205.01568,
title = {RAFT-MSF: Self-Supervised Monocular Scene Flow using Recurrent Optimizer},
author = {Bayram Bayramli and Junhwa Hur and Hongtao Lu},
journal= {arXiv preprint arXiv:2205.01568},
year = {2022}
}