摘要
我们提出了一种紧凑而有效的卷积神经网络（CNN）模型用于光流计算，称为PWC-Net。PWC-Net的设计遵循了简单且广为人知的原则：金字塔处理、变形（warping）和成本体积的使用。在可学习的特征金字塔中，PWC-Net利用当前的光流估计值对第二幅图像的CNN特征进行变形处理。然后，它使用变形后的特征和第一幅图像的特征构建成本体积，该成本体积再由CNN处理以估计光流。与最近的FlowNet2模型相比，PWC-Net的规模缩小了17倍，训练也更加容易。此外，PWC-Net在MPI Sintel最终测试和KITTI 2015基准测试中超越了所有已发表的光流方法，在Sintel分辨率（1024x436）图像上运行速度约为35帧每秒。我们的模型可在https://github.com/NVlabs/PWC-Net 获取。