Core Concepts
提案されたDCVNetは、異なる拡張率を使用してコストボリュームを構築し、小さな変位と大きな変位を同時に捉えることで、光学フローの高速モデルを実現します。
Abstract
光学フローの重要性と歴史的背景が紹介される。
現在の最先端アプローチは深層ニューラルネットワークに基づいており、コストボリュームが重要な役割を果たしていることが強調される。
DCVNetはシーケンシャル推定戦略に依存せず、小さな近傍で効率的に処理するために異なる拡張率でコストボリュームを構築する新しいアプローチである。
実験結果では、DCVNetは他の手法と比較して優れた精度と高速推論速度を達成している。
Introduction
光学フローの定義と重要性が説明される。
最新のアプローチは深層ニューラルネットワークに基づいており、コストボリュームが不可欠であることが述べられる。
Proposed Model: DCVNet
DCVNetは異なる拡張率を使用してコストボリュームを構築し、小さな変位と大きな変位を同時に捉える方法が詳細に説明されている。
U-Netアーキテクチャを使用してコストボリュームフィルタリングが行われており、その詳細も示されている。
Experiments and Results
MPI SintelおよびKITTIデータセットでの量的結果が示されており、DCVNetは他の手法と比較して優れた精度を達成していることが示されている。
モデルサイズやメモリ消費量、推論速度も報告されており、DCVNetは効率的かつ高速であることが示唆されている。
Stats
DCVNetは30fpsの実時間推論速度を達成した。
DCVNetは7.9Mパラメータを使用し、1.16GBのGPUメモリ消費量が必要だった。
Quotes
"DCVNet achieves comparable accuracy to existing approaches and achieves real-time inference (30 fps on a mid-end 1080ti GPU)."
"By constructing cost volumes with different dilation rates, our approach no longer relies on the sequential estimation strategy for optical flow."