许多基于经典和学习的光流方法依赖于层次结构概念来提高准确性和鲁棒性。但是,目前最成功的方法之一 - 筏 - 几乎无法利用这种概念。在这项工作中,我们表明多尺度的想法仍然很有价值。更确切地说,使用筏作为基线,我们提出了一个新型的多尺度神经网络,该神经网络将几个分层概念结合在单个估计框架中。这些概念包括(i)部分共享的粗到精细体系结构,(ii)多尺度功能,(iii)层次成本量和(iv)多尺度的多透明损失。MPI Sintel和Kitti的实验清楚地证明了我们方法的好处。与筏相比,它们不仅显示出实质性的改进,而且还显示出最先进的结果,尤其是在非封闭区域中。代码将在https://github.com/cv-stuttgart/ms_raft上找到。
translated by 谷歌翻译