随机极线约束损失函数

几何约束增强泛化

通过将数值差异转化为极线几何约束，监督光流估计的优化过程更加有效且具有可解释性，使模型在轻量化下仍能获得高精度。

Zhengyuan, Fan · 蔡泽民

Pattern Recognition 2024

参数信息

参数量

3.0 M

技术优势

几何约束增强泛化

通过将数值差异转化为极线几何约束，优化过程更符合光流场的几何结构，使模型在未见数据上泛化能力增强。

设计更具可解释性

损失函数直接对应几何约束，优化目标有明确的数学含义，使调试和改进过程更容易理解。

轻量且精度领先

LRFlow仅用3.0M参数在MPI-Sintel和KITTI2015上达到轻量级模型中的最优结果，在资源受限环境下仍保持高精度。

应用场景

• 机器人视觉：在机器人导航中实时估计场景运动，轻量模型便于嵌入。
• 运动估计：提供几何一致的光流，提升运动估计的精度和泛化性。
• 无人机导航：轻量网络适合机载计算，辅助无人机自主避障和定位。
• 工业检测：高精度光流可检测细微运动异常，用于产线监控。
• 视频分析：可解释的几何约束提升光流质量，增强视频分析可靠性。