Lernen durch Analogie: Zuverlässige Supervision durch Transformationen für die unsupervisierte Schätzung von Optischer Fluss

Die unüberwachte Lernmethode für optischen Fluss, die die Aufsicht aus der Ansichtssynthese nutzt, hat sich als vielversprechende Alternative zu überwachten Verfahren etabliert. Allerdings ist das Ziel der unüberwachten Lernmethode in anspruchsvollen Szenen möglicherweise unzuverlässig. In dieser Arbeit präsentieren wir einen Ansatz, der zuverlässigere Aufsicht durch Transformationen nutzt. Dabei wird der allgemeine unüberwachte Lernpipeline einfach durch eine zusätzliche Vorwärtsdurchlauf mit transformierten Daten aus der Datenaugmentation modifiziert, wobei gleichzeitig die transformierten Vorhersagen der ursprünglichen Daten als selbstüberwachender Signal dienen. Zudem führen wir ein leichtgewichtiges Netzwerk mit mehreren Bildern durch einen stark geteilten Fluss-Decoder ein. Unsere Methode erreicht auf mehreren Benchmarks konsequent einen deutlichen Leistungsfortschritt und erzielt dabei die höchste Genauigkeit unter den tiefen unüberwachten Methoden. Zudem erzielt unsere Methode wettbewerbsfähige Ergebnisse im Vergleich zu jüngsten vollständig überwachten Methoden, wobei sie deutlich weniger Parameter benötigt.