RAFT：用于光流的全对递归场变换
计算机视觉与模式识别
2020-08-26 v3
摘要
我们提出 Recurrent All-Pairs Field Transforms (RAFT)，一种用于光流的新深度网络架构。RAFT 提取逐像素特征，为所有像素对构建多尺度 4D 相关体，并通过在相关体上执行查找的递归单元迭代更新流场。RAFT 达到了最先进的性能。在 KITTI 上，RAFT 取得了 5.10% 的 F1-all 误差，较最佳已发表结果（6.10%）降低 16%。在 Sintel（final pass）上，RAFT 获得 2.855 像素的端点误差，较最佳已发表结果（4.098 像素）降低 30%。此外，RAFT 具有强大的跨数据集泛化能力，以及在推理时间、训练速度和参数量上的高效率。代码见 https://github.com/princeton-vl/RAFT。
引用
@article{arxiv.2003.12039,
title = {RAFT: Recurrent All-Pairs Field Transforms for Optical Flow},
author = {Zachary Teed and Jia Deng},
journal= {arXiv preprint arXiv:2003.12039},
year = {2020}
}
备注
fixed a formatting issue, Eq 7. no change in content