Angesichts der bestehenden Methoden zur optischen Fluss-Schätzung, die Probleme wie unscharfe Objektkonturen und fehlende Feindetails aufweisen, schlägt dieser Artikel ein Netzwerk zur optischen Fluss-Schätzung vor, das Informationen korrelierter Bereiche aus Bildsequenzen integriert. Ein Merkmalskodierer und ein globaler Kodierer extrahieren jeweils die kodierten Merkmale und Kontextmerkmale des Bildes, wobei die Merkmalsgrößen durch Downsampling reduziert werden. Vor dem Aufbau eines 4D-Korrelationsvolumens werden die Eingangs-Merkmalkarten der aufeinanderfolgenden zwei Bilder partitioniert, und die dichte visuelle Ähnlichkeit wird durch starke und schwache Korrelationen berechnet, um ein präziseres 4D-Korrelationsvolumen zu erstellen. In der iterativen Aktualisierungsphase werden ein Residueller Faltungsfilter und ein Fein-Detail-Modul vorgeschlagen, die jeweils zur Verarbeitung des Korrelationsvolumens und der Weiterleitung des optischen Flusses angewandt werden, um vor der Fusion von Korrelationsvolumen- und Flussinformationen mehr lokale kleine Verschiebungsinformationen beizubehalten. Im Vergleich zu anderen Methoden auf den Datensätzen KITTI-2015 und MPI-Sintel verbesserten sich die Bewertungsmetriken der optischen Fluss-Schätzung um 8,2 % bzw. 6,15 %. Das vorgelegte Netzwerkmodell kann die Genauigkeit der optischen Fluss-Schätzung besser verbessern und effektiv Probleme wie übermäßige Glättung des Flussfeldes, fehlende Feindetails und Vernachlässigung kleiner Objektbewegungen lösen.

Computer Vision;Deep Learning;optischer Fluss;Regionenabgleich;iterative Aktualisierung