90、提升光流估计精度：详尽匹配特定位置研究

提升光流估计精度：详尽匹配特定位置研究

在计算机视觉领域，光流估计是一个重要的研究方向，它用于描述图像序列中物体的运动信息。本文将围绕如何通过合理定位额外匹配来提高光流估计的精度展开探讨。

1. 现有光流估计方法概述

• Deep - flow 方法 ：该方法受深度卷积神经网络和相关研究的启发，用于处理大位移的光流估计。它通过计算实际图像和下一图像之间的密集对应关系来实现，使用小的 4×4 像素块进行估计。一个 8×8 的块被解释为由 4 个 4×4 像素的小块组成，每个小块称为一个象限。8×8 块的匹配分数由象限的最大池化分数平均得到，这个过程递归地应用于 16×16、32×32 和 64×64 像素，形成更具判别性的虚拟块。计算得到的匹配被视为能量模型中的先验项，并且使用均匀网格来定位对应关系。
• 基于图像分割和跟踪的方法 ：通过颜色和纹理将图像序列分割成有意义的对象，然后在连续图像之间应用对象跟踪算法进行运动估计。
• 块匹配在图像完整性和真实性验证中的应用 ：利用块匹配来确定数字图像的完整性和真实性。

然而，上述工作都没有精确回答“为了提高光流估计的性能，我们应该在哪里定位额外的对应关系？”这一问题。因此，本文考虑了四种可能的匹配位置：均匀位置、随机位置、参考图像的最大梯度位置和光流估计的最大误差位置。

2. 提出的光流估计模型

本文提出了一个变分模型来估计光流，该模型受相关研究的启发，使用 L1 范数（对光照变化具有鲁棒性的数据项）和一个结合了详尽搜