CVPR 2020 论文大盘点-光流篇

论文速递 chengzi ⋅ 于 7个月前 ⋅ 3302 阅读

前几天曾经发布了一篇来自旷视研究员的光流技术相关的文章:[光流估计网络调研]引起了大家的广泛关注,光流估计(Optical Flow estimation)在视频理解、动作识别、目标跟踪、全景拼接等领域具有重要应用,在各类视频分析任务中它反映了视频内部的运动信息,被认为是一种重要视觉线索。


光流可视化示例:
file
图片来自 https://github.com/PharrellWANG/optical-flow-visualization
光流估计是计算机视觉的传统方向,CVPR 2020 的经典论文奖,授予了光流领域论文:Deqing Sun,Stefan Roth和Michael J. Black的 Secrets of Optical Flow Estimation and Their Principles,发表于2010年。

光流是2D的图像运动信息,近年,光流的3D版本即场景流(Scene Flow)也开始引起大家的兴趣,场景流反应图像/点云中每个点在前后两帧的变化情况。

本文总结CVPR 2020 中所有与光流(Optical Flow)和场景流(Scene Flow)相关论文,总计 12 篇。不仅包括新方法,也包括部分应用。

来自卡内基梅隆大学的 Upgrading Optical Flow to 3D Scene Flow Through Optical Expansion 论文通过Optical Expansion将光流扩展到3D 场景流(3D Scene Flow),能够反映场景深度的变化,是 CVPR Oral ,非常值得关注。



大家可以在:

http://openaccess.thecvf.com/CVPR2020.py

按照题目下载这些论文。

如果想要下载所有CVPR 2020论文,请点击这里:

CVPR 2020 论文全面开放下载

通过Optical Expansion将光流升级到3D场景流

[1].Upgrading Optical Flow to 3D Scene Flow Through Optical Expansion

作者 | Gengshan Yang, Deva Ramanan

单位 | 卡内基梅隆大学;Argo AI

代码 | https://github.com/gengshan-y/expansion

备注 | CVPR 2020 Oral


file



基于Event Camera的单图像光流估计

[2].Single Image Optical Flow Estimation With an Event Camera

作者 | Liyuan Pan, Miaomiao Liu, Richard Hartley

单位 | 澳大利亚国立大学;澳大利亚机器人视觉中心

file

利用光流引导训练的空间变异反卷积网络,实现高效的动态场景去模糊

[3].Efficient Dynamic Scene Deblurring Using Spatially Variant Deconvolution Network With Optical Flow Guided Training

作者 | Yuan Yuan, Wei Su, Dandan Ma

单位 | OPTIMAL;西北工业大学

file

密集光流改进视觉里程计

[4].VOLDOR: Visual Odometry From Log-Logistic Dense Optical Flow Residuals

作者 | Zhixiang Min, Yiding Yang, Enrique Dunn

单位 | 史蒂文斯理工学院

代码 | https://github.com/htkseason/VOLDOR

file

无监督光流估计,从Transformations中获得可靠的监督信息的类别学习方法

[5].Learning by Analogy: Reliable Supervision From Transformations for Unsupervised Optical Flow Estimation

作者 | Liang Liu, Jiangning Zhang, Ruifei He, Yong Liu, Yabiao Wang, Ying Tai, Donghao Luo, Chengjie Wang, Jilin Li, Feiyue Huang

单位 | 浙江大学;腾讯优图

代码 | https://github.com/lliuz/ARFlow

file



光流和立体匹配的有效自监督学习

[6].Flow2Stereo: Effective Self-Supervised Learning of Optical Flow and Stereo Matching

作者 | Pengpeng Liu, Irwin King, Michael R. Lyu, Jia Xu

单位 | 香港中文大学;虎牙AI

代码 | https://github.com/ppliuboy/Flow2Stereo(尚未

file

黑暗场景的光流估计(无需图像增强的直接法)

[7].Optical Flow in the Dark

作者 | Yinqiang Zheng, Mingfang Zhang, Feng Lu

单位 | National Institute of Informatics;鹏城实验室;北航

file

光流估计的动态场景范围划分法

[8].ScopeFlow: Dynamic Scene Scoping for Optical Flow

作者 | Aviram Bar-Haim, Lior Wolf

单位 | 以色列特拉维夫大学;FAIR

代码 | https://github.com/avirambh/ScopeFlow

file



基于光流的视频稳像

[9].Learning Video Stabilization Using Optical Flow

作者 | Jiyang Yu, Ravi Ramamoorthi

单位 | 加利福尼亚大学圣迭戈分校

file

利用半监督学习的浓雾场景中的光流估计

[10].Optical Flow in Dense Foggy Scenes Using Semi-Supervised Learning

作者 | Wending Yan, Aashish Sharma, Robby T. Tan

单位 | 新加坡国立大学;耶鲁-新加坡国立大学学院

file

自监督学习的单目场景流估计

[11].Self-Supervised Monocular Scene Flow Estimation

作者 | Junhwa Hur, Stefan Roth 

单位 | 达姆施塔特工业大学

代码 | https://github.com/visinf/self-mono-sf

file


自监督的场景流估计

[12].Just Go With the Flow: Self-Supervised Scene Flow Estimation

作者 | Himangi Mittal, Brian Okorn, David Held

单位 | 卡内基梅隆大学

file

可见,因为光流和场景流人工打标签的代价太大,故该领域无监督、自监督学习是重要方向。



推荐阅读:

CVPR 2020 论文大盘点-实例分割篇



文章来源:我爱计算机视觉@微信公众号

小迷离

成为第一个点赞的人吧 :bowtie:
回复数量: 0
暂无回复~
您需要登陆以后才能留下评论!