.png){kind=icon}
返回
OMFlow: Optimizing optical flow via occlusion motion estimation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patrec.2026.03.018.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
遮挡对严重依赖局部线索的光流算法构成了重大挑战。当代光流技术专注于4D相关体积的特征增强，却忽视了遮挡匹配在体积中已不复存在的事实。本文提出一种名为OMFlow的光流估计模型，基于运动信息重新计算遮挡匹配并提高相关匹配的精度。我们的工作是首次将运动模式与相关体积相结合，并通过估计被遮挡点的潜在匹配来替代特征相似性比较。所获得的运动信息有助于学习具有一致位移的对象和场景的基本相关性。具体而言，它引入了一种多因子特征相似性判断函数，用于检测抗噪声干扰的遮挡，并采用基于字节跟踪的网络来调整被遮挡点的相关体积。OMFlow具有良好的可移植性，可作为即插即用组件为现有方法提供服务。它在Sintel数据集的clean pass和final pass上相较于GMA方法分别实现了23.7%和9.1%的误差降低。在遮挡分析中，本方法将遮挡区域的误差降低了88.4%和85.4%。实验表明，通过修改遮挡的对应关系，我们的方法达到了当前最优水平。
Keyword:
Occlusion
Motion model
Correlation
期刊
IF:
3.3
论文数:
8.0K
被引数:
1.6W
机构
引用论文
SSTM: Spatiotemporal recurrent transformers for multi-frame optical flow estimation.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏
Unsupervised optical flow estimation method based on transformer and occlusion compensation基于Transformer和遮挡补偿的无监督光流估计方法
PREAI
分享收藏 没有更多内容
没有更多内容