摘要
在利用深度神经网络估计光流方面，已取得显著进展。尽管先进的深度模型能够实现高精度的光流估计，但通常伴随着较高的计算复杂度和耗时的训练过程。本文提出了一种轻量且高效、适用于实时光流估计的模型，命名为FDFlowNet（快速深度光流网络）。该模型在具有挑战性的KITTI和Sintel基准测试中，实现了与现有方法相当或更优的精度，同时速度约为PWC-Net的两倍。这一性能提升得益于精心设计的网络结构以及新提出的组件。我们首先引入一种U型网络结构，用于构建多尺度特征表示，相比传统的金字塔结构，该结构能为高层特征提供更大的感受野，从而增强全局信息捕捉能力。在每一尺度上，我们提出一种结合扩张卷积的局部全连接结构，用于光流估计，该结构在速度、精度与参数量之间取得了良好平衡，优于传统的顺序连接与密集连接结构。实验结果表明，所提模型在保持快速与轻量化的同时，达到了当前最先进的性能水平。