改进FlowNetS的光流估计算法研究

来源：计算机技术与发展杂志2025年第07期北京时间：

作者：王雅妮;翟正军;代巍;申思远

单位：1. 西北工业大学 计算机学院,陕西 西安 710129;2. 西北工业大学 计算机测控与仿真技术研究所,陕西 西安 710072

摘要：近年来,基于深度学习的光流估计方法在准确性和效率方面取得了显著进展。 然而,其仍面临着对训练数据依赖性强、对特定场景敏感、计算资源消耗大、物理约束利用不足以及可解释性差等问题。 该文提出了一种基于卷积神经网络的叠加融合方法,旨在提升光流特征的表达能力,提高预测精度并降低内存消耗。具体而言,设计了一种叠加融合模块即连续加法块(Continue-ADD-Block)。 连续加法块通过添加一个 Conv7 层并采用连续下采样进行融合,有效地整合了不同尺度下的信息,增强了对复杂场景和多尺度运动的处理能力。 在 Flying Chairs、KITTI Flow 2015 和 MPI-Sintel (clean 和 final)数据集上的实验结果表明,连续加法块在降低资源消耗和内存占用的同时,在复杂场景下取得了更高的精度,表现为更低的最大的平均端点误差(End Point Error,EPE) 即更高的精度,并且在 Flying Chairs 数据集中精度提升 2. 86% ,在 KITTI Flow 2015 数据集中精度提升 0. 70% ,在 MPI-Sintel (clean 和 final)数据集中精度分别提升 7. 40% 、2. 43% 。 这表明该方法在复杂场景下具有更强的鲁棒性,为光流估计领域提供了一种新的解决方案。

关键词：光流估计;分层策略;多尺度估计;叠加融合;卷积神经网络