重新思考以动力学视角预测光流

提出了一种基于无监督学习的光流预测与校正方案，结合PDE约束的光学流预测器和物理校正器。

该方案在基准数据集上表现出比传统光学流方法更好的效果，并与现有监督学习方法具有竞争力。

研究展示了多种无监督光流估计方法，特别是在语义分割等领域表现出先进性能。

采用动态光流监督静态图像表示，设计了无需手工标注的学习卷积神经图像表示的新方法。

提出了一种基于时空动态模型的无监督光流估计方法，利用自我监督学习提供运动先验信息。

新框架利用Transformer网络从单个运动模糊图像中端到端地估计光流，评估了模型的性能和应用。

提出了一种综合静态和非约束场景下光流方法的算法，能够同时估计运动物体的分割和相机运动的3D结构。

基于CNN的Super Kernel Flow Network (SKFlow)算法估计局部模糊区域中的光流，解决匹配信息缺失的问题。

框架使用外部提示引导光流网络，在已知或未知领域中实现更高的准确性。

介绍了一种从真实图片中快速生成大量准确光流标注的框架，提高了视觉光流网络在真实场景中的泛化和特化性能。

提出了一种无监督的方法，使用组合数据项和空间项的损失函数训练convnets来预测光流，并在KITTI数据集上验证了有效性。

提出了一种对称的光流方法，利用光流和遮挡的对称性解决光流和遮挡之间的问题，尤其在KITTI数据集上表现出显著的性能优势。