tony365的博客

由于自己的数据和 vimeo90k的数据在场景，噪声，画质等是由差异的，所以预期会有一点作用，但是也会有不适应的地方。就是多引入一个block，block的输入会引入gt信息，然后得到的teacher flow结果对原先的flow进行监督引导。后续finetune后应该会更好的。deconv红色的注释有误，应该是out = 2 * in (图像的尺寸，不是channel)官方源码VimeoDataset 处理vimeo 数据，修改源码的路径为自己的数据路径即可。unet输出的是 fusion的图像的残差。

上面有一些struct 继承自ParallelLoopBody, 主要是tbb的优化方法并行加速操作calc函数: 比如输入为I0,I1两个图像，和一个光流flow, 然后主要调用calcUV函数CV_Assert(!CV_Assert(!CV_Assert(!Mat uv[2];calcUV函数：也是整个算法的框架//一些assert操作， 对输入的要求CV_Assert(!CV_Assert(!CV_Assert(!CV_Assert(!

每个像素点的光流有x,y两个方向。用色相表示角度，饱和度表示模长。这里借鉴别人的方法。一共两种方法，效果是一样的。典型的光流sizeH，W，2。颜色不同表示方向，深浅表示位移大小。