FlowNet 2.0：基于深度网络的光流估计进化

FlowNet证明了光流估计可以被转化为一个学习问题。然而，就光流的质量而言，最先进的方法仍然是传统方法。特别是在小位移和真实数据上，FlowNet无法与变分方法相匹敌。本文中，我们推进了端到端光流学习的概念，并使其真正取得了良好的效果。质量与速度的大幅改进主要归功于三个重要贡献：首先，我们关注训练数据，并展示了在训练过程中数据呈现的时间表非常重要。其次，我们开发了一种堆叠架构，该架构包括使用中间光流对第二幅图像进行变形（warping）。最后，我们通过引入专门处理小运动的子网络来详细研究小位移。FlowNet 2.0仅比原始FlowNet略慢，但估计误差减少了超过50%。其性能与最先进方法相当，同时以交互帧率运行。此外，我们还提出了更快的变体，能够在高达140帧每秒的情况下计算光流，精度与原始FlowNet相匹配。