RAFT: Recurrent All Pairs Field Transforms for Optical Flow

ECCV

Zachary Teed and Jia Deng

论文：/pdf/.12039.pdf

代码：/princeton-vl/RAFT

论文框架：

RAFT 网络包含三个部分：

（1）Feature Encoder：提取对应每个像素的特征

（2）Correlation Layer：对所有特征求内积矩阵，大小为 W×H×W×H

（3）Update Operator：使用 GRU 循环神经网络更新光流，通过迭代获得更好结果

光流更新GRU：

其中，GRU之中全连接层由卷积代替

输入当前光流 fk，经过两层卷积与经过一层卷积的 Correlation 叠加，最后再与 Context 直接叠加组成 GRU 输入的特征。

特征提取对两帧进行处理，共享权重，得到两个256通道的特征图进行点乘计算，得到相关性

H * W * D * D * H * W = H * W * H * W

CNN的架构由6个残差层组成，就像ResNet的层一样，每隔一层分辨率就降低一半，同时通道数量也在增加。

视觉相似度计算为所有特征图对的内积。因此，我们将得到一个称为相关体积的四维张量，它提供了关于大小像素位移的关键信息。

Upsampling

由于输出的光流是 1/8 尺度下的，因此为了得到原始分辨率尺度，Upsampling 部分在粗分辨率上通过周围共计 3x3 的网格预测进行差值，在这一部分使用了两个卷积操作并经过一个 softmax 得到一个 H/8×W/8×(8×8×9)H/8×W/8×(8×8×9) 尺度的 mask。最终原始分辨率的光流就通过这一 mask 进行加权获得。网络输出就是得到一个 H \times W \times 2H×W×2 的结果，其中2代表x、y坐标偏移。该层通过一个 PyTorch 中的 unfold 操作即可实现。

Correlation Lookup

给定一个光流场（flow field)

损失函数为L1

Flow Prediction

GRU 的输出经过两个卷积操作就变成了最终的光流，输出光流是 1/8 尺度的，在实际预测中会经过下述 Upsampling 操作转换成原始大小。

如果觉得《【PaperRead】RAFT-论文笔记》对你有帮助，请点赞、收藏，并留下你的观点哦！