기존 광류 추정 방법들이 목표 윤곽 분할이 명확하지 않고 세분화가 부족한 문제를 해결하기 위해, 본 논문은 시퀀스 영상의 관련 영역 정보를 융합한 광류 추정 네트워크를 제안한다. 특징 인코더와 전역 인코더를 통해 각각 영상의 인코딩 특징과 컨텍스트 특징을 추출하고, 다운샘플링 처리로 특징 크기를 축소한다. 4D 상관체를 구성하기 전에 입력된 연속 두 프레임의 특징 맵을 분할 처리하여 강약 상관 방식을 통해 조밀한 시각적 유사도를 계산하고, 보다 정밀한 4D 상관 부피를 구축한다. 반복 갱신 단계에서는 잔여 컨볼루션 필터와 세분화 모듈을 제안하여 각각 상관체와 광류 전달 처리에 적용함으로써 상관체 정보와 광류 정보를 융합하기 전에 더 많은 국소적 소변위 정보를 보존할 수 있게 한다. KITTI-2015 데이터셋과 MPI-Sintel 데이터셋에서 다른 방법과 비교하여 광류 추정 평가 지표가 각각 8.2%와 6.15% 향상되었다. 본 논문이 제시하는 네트워크 모델은 광류 추정의 정확도를 더욱 향상시키고, 광류장이 지나치게 매끄럽고 세분화가 부족하며 작은 물체 움직임을 무시하는 문제를 효과적으로 해결한다.

컴퓨터 비전;딥러닝;광류;영역 매칭;반복 갱신