来源：我爱计算机视觉
本文盘点 ECCV 2020 所有光流（Optical Flow）相关论文，总计 7 篇，值得一提的是来自普林斯顿大学的论文『RAFT: Recurrent All-Pairs Field Transforms for Optical Flow』获得 ECCV 2020 最佳论文奖。
下载包含这些论文的 ECCV 2020 所有论文：
RAFT: Recurrent All-Pairs Field Transforms for Optical Flow
作者 | Zachary Teed, Jia Deng
单位 | 普林斯顿大学
论文 | https://arxiv.org/abs/2003.12039
代码 | https://github.com/princeton-vl/RAFT
备注 | ECCV 2020 Oral，ECCV 2020 最佳论文奖
在 KITTI 数据集上，RAFT 的 F1-all 误差是 5.10\%，相比先前的最佳结果（6.10\%）减少了 16\%；在 Sintel 数据集（final pass）上，RAFT 只有 2.855 像素的端点误差（end-point-error），相比先前的最佳结果（4.098 像素）减少了 30\%。另外，RAFT 具有强大的跨数据集泛化能力，并且在推理时间、训练速度和参数计数方面具有很高的效率。
ECCV 2020 Best Paper Award _ RAFT - Optical Flow_腾讯视频v.qq.com
What Matters in Unsupervised Optical Flow？
作者 | Rico Jonschkowski, Austin Stone, Jonathan T. Barron, Ariel Gordon, Kurt Konolige, Anelia Angelova
单位 | 谷歌
论文 | https://arxiv.org/abs/2006.04902
代码 | https://github.com/google-research/google-research/tree/master/uflow
备注 | ECCV 2020 Oral
非监督光流估计研究。
Optical Flow Distillation: Towards Efficient and Stable Video Style Transfer
作者 | Xinghao Chen, Yiman Zhang, Yunhe Wang, Han Shu, Chunjing Xu, Chang Xu
单位 | 华为诺亚方舟实验室；悉尼大学
论文 | https://arxiv.org/abs/2007.05146
备注 | ECCV 2020
将光流用于视频风格迁移，更高效更稳定
LiteFlowNet3: Resolving Correspondence Ambiguity for More Accurate Optical Flow Estimation
作者 | Tak-Wai Hui, Chen Change Loy
单位 | 港中文；南洋理工大学
论文 | https://arxiv.org/abs/2007.09319
代码 | https://github.com/twhui/LiteFlowNet3
备注 | ECCV 2020
FlowNet的最新演化版，效果好、速度更快、模型更小
Unsupervised Learning of Optical Flow with Deep Feature Similarity
作者 | Woobin Im, Tae-Kyun Kim, Sung-Eui Yoon
单位 | 韩国科学技术院；帝国理工学院
论文 | https://www.ecva.net/papers/eccv\_2020/papers\_ECCV/papers/123690171.pdf
代码 | https://github.com/iwbn/unsupsimflow
备注 | ECCV 2020
使用深度特征相似性挖掘在非监督光流估计中的应用
Improving Optical Flow on a Pyramid Level
作者 | Markus Hofinger, Samuel Rota Bulò, Lorenzo Porzi, Arno Knapitsch, Thomas Pock, Peter Kontschieder
单位 | Facebook；格拉茨技术大学
论文 | https://arxiv.org/abs/1912.10739
备注 | ECCV 2020
将由粗到细和特征金字塔引入光流估计，精度大幅提高。
Spike-FlowNet: Event-based Optical Flow Estimation with Energy-Efficient Hybrid Neural Networks
作者 | Chankyu Lee, Adarsh Kumar Kosta, Alex Zihao Zhu, Kenneth Chaney, Kostas Daniilidis, Kaushik Roy
单位 | 普渡大学；宾夕法尼亚大学
论文 | https://arxiv.org/abs/2003.06696
代码 | https://github.com/chan8972/Spike-FlowNet
备注 | ECCV 2020
将脉冲神经网络用于事件相机的光流估计
[ECCV\'20 demo] Spike-FlowNet_腾讯视频v.qq.com
