2020.8 发表的工作 论文链接 Recurrent All-Pairs Field Transforms (RAFT)

摘要

我们介绍了一种新的光流深度网络架构，称为递归全对场变换（RAFT）。RAFT 从每个像素提取特征，为所有像素对构建多尺度的 4D 相关体积，并通过一个递归单元迭代更新光流场，该单元在相关体积上执行查找操作。 RAFT 实现了当前最先进的性能。在 KITTI 数据集上，RAFT 实现了 5.10% 的 F1-all 错误率，相比之前最佳的公开结果（6.10%）降低了 16% 的错误率。在 Sintel 数据集（最终通道）上，RAFT 获得了 2.855 像素的端点误差，相比之前最佳的公开结果（4.098 像素）降低了 30% 的错误。此外，RAFT 还具有很强的跨数据集泛化能力，以及在推理时间、训练速度和参数量方面的高效率。代码可以在此链接获取。