要約
近年、深層学習を用いた光流推定の手法は急速な進歩を遂げています。多くのネットワークにおいて共通する特徴は、初期の光流推定を複数段階または粗い表現から細かい表現へと段階的に改良することです。これはより正確な結果につながりますが、その一方でパラメータ数が増加するという欠点があります。古典的なエネルギー最小化アプローチや残差ネットワークから着想を得て、重み共有に基づく反復的な残差改良（Iterative Residual Refinement: IRR）スキームを提案します。このスキームはいくつかのバックボーンネットワークと組み合わせることができます。パラメータ数を削減し、精度を向上させるか、あるいは両方を達成することができます。さらに、当該IRRスキームに遮蔽予測と双方向光流推定を統合することで、精度がさらに向上することが示されています。私たちの完全なネットワークは、複数の標準データセットにおいて光流推定および遮蔽推定の両方で最先端の結果を達成しています。