초록
최근 몇 년 동안 광유동 추정에 대한 딥 러닝 접근 방식은 급속한 발전을 이루어냈습니다. 많은 네트워크의 공통적인 특징 중 하나는 초기 유동 추정치를 다단계를 통해 또는 코스-투-파인 표현의 수준별로 정교화하는 것입니다. 이 방법은 더 정확한 결과를 가져오지만, 단점으로는 매개변수의 수가 증가한다는 점이 있습니다. 고전적인 에너지 최소화 접근 방식과 잔차 네트워크에서 영감을 얻어, 여러 백본 네트워크와 결합할 수 있는 가중치 공유 기반의 반복 잔차 정교화(Iterative Residual Refinement, IRR) 방안을 제안합니다. 이 방안은 매개변수의 수를 줄이고, 정확도를 향상시키거나, 심지어 두 가지 모두를 달성할 수 있습니다. 또한, 우리의 IRR 방안에 가림 예측과 양방향 유동 추정을 통합하면 정확도가 더욱 향상될 수 있음을 보여줍니다. 우리의 전체 네트워크는 여러 표준 데이터셋에서 광유동 및 가림 추정 모두에 있어 최고 수준의 성능을 달성합니다.