要約
近年の研究では、明るさ不変性仮定および滑らかさの事前知識に基づき、教師なし画像ペアから深層ネットワークを用いて光流を学習することが可能であることが示されている。現在の手法では、困難なマッチング領域において有効であることが実証された継続的自己教師学習を促進するため、増強正則化項を追加している。しかしながら、このアプローチは教師なし設定において避けがたい不一致を強調してしまうため、最適解への学習プロセスを阻害するという問題がある。このジレンマを打破するために、教師ネットワークと学生ネットワークの間で信頼性の高い知識を交互に転移する新しい相互蒸留フレームワークを提案する。具体的には、既存の教師なし手法による推定結果を擬似ラベルとして用い、良好なマッチングを抽出するための信頼度選択メカニズムを定義し、多様なデータ増強を導入することで、教師から学生への十分かつ信頼性の高い知識の蒸留を実現する。本手法の分離性（decouple）の特徴により、学習能力を十分に発揮できるより強力な学生アーキテクチャを選択可能となる。最終的に、より優れた学生の予測結果を、実デプロイ時における追加コストなしに効率的な教師に知識を逆転送する。監視学習として定式化するのではなく、複数ターゲット学習を促進するための追加の教師なし項を導入することで、最も優れた最終的な性能が得られることを発見した。広範な実験により、本手法（MDFlow）が、困難なベンチマークにおいて最先端のリアルタイム精度と一般化能力を達成することが確認された。コードは https://github.com/ltkong218/MDFlow で公開されている。