摘要
在传统的卷积层中，训练后的学习滤波器保持固定不变。相比之下，我们引入了一种新的框架——动态滤波网络（Dynamic Filter Network），该网络中的滤波器可以根据输入动态生成。我们证明了这种架构具有强大的能力，由于其自适应性质，灵活性得到了增强，而模型参数的数量却没有大幅增加。通过这种方式可以学习多种过滤操作，包括局部空间变换，以及其他如选择性模糊（或去模糊）和自适应特征提取等。此外，多个这样的层可以组合使用，例如在递归架构中。我们在视频预测和立体预测任务上展示了动态滤波网络的有效性，并在移动MNIST数据集上达到了最先进的性能，同时模型规模要小得多。通过可视化学习到的滤波器，我们说明了网络仅通过查看未标记的训练数据就捕捉到了流信息。这表明该网络可以在无监督的方式下用于预训练各种监督任务的网络，如光流估计和深度估计。