UnFlow：基于双向 Census 损失的无监督光流学习
计算机视觉与模式识别
2017-11-22 v1
摘要
在端到端深度学习时代，计算机视觉的许多进展由大量标注数据驱动。然而在光流场景中，为真实场景获取稠密逐像素真值十分困难，因此此类数据稀缺。故而近期用于光流的端到端卷积网络依赖合成数据集进行监督，但训练与测试场景间的域差异仍是一大挑战。受经典基于能量的光流方法启发，我们设计了一种基于遮挡感知双向光流估计与鲁棒 census 变换的无监督损失，以规避对真值光流的需求。在 KITTI 基准上，我们的无监督方法大幅优于先前无监督深度网络，甚至比仅在合成数据集上训练的有监督同类方法更精确。通过可选地在 KITTI 训练数据上微调，我们的方法在 KITTI 2012 与 2015 基准上取得了具竞争力的光流精度，从而也能为仅有少量真值的数据集提供有监督网络的通用预训练。
引用
@article{arxiv.1711.07837,
title = {UnFlow: Unsupervised Learning of Optical Flow with a Bidirectional Census Loss},
author = {Simon Meister and Junhwa Hur and Stefan Roth},
journal= {arXiv preprint arXiv:1711.07837},
year = {2017}
}
备注
9 pages, To appear in AAAI 2018