面向静态或动态场景的无监督深度对极流方法
计算机视觉与模式识别
2022-07-15 v2
摘要
用于光流计算的无监督深度学习已取得令人瞩目的结果。大多数现有的基于深度网络的方法依赖图像亮度一致性和局部平滑约束来训练网络。在出现重复纹理或遮挡的区域,其性能会下降。本文提出Deep Epipolar Flow,一种将全局几何约束融入网络学习的无监督光流方法。具体而言,我们研究了在光流估计中施加对极约束的多种方式。为缓解动态场景中存在多种运动时遇到的“鸡生蛋、蛋生鸡”式问题,我们还提出了用于训练的低位秩约束以及子空间并集约束。在各种基准数据集上的实验结果表明,我们的方法与有监督方法性能相当,且优于最先进的无监督深度学习方法。
引用
@article{arxiv.1904.03848,
title = {Unsupervised Deep Epipolar Flow for Stationary or Dynamic Scenes},
author = {Yiran Zhong and Pan Ji and Jianyuan Wang and Yuchao Dai and Hongdong Li},
journal= {arXiv preprint arXiv:1904.03848},
year = {2022}
}
备注
CVPR 2019