【CVPR2020-Oral-清华大学】MaskFlownet:使用可学习遮挡掩模的非对称特征匹配

特征warping 是光流估计的核心技术之一。然而，warping 过程中被遮挡区域引起的模糊性是一个尚未解决的主要问题。本文提出了一种非对称遮挡感知的特征匹配模块，该模块可以学习一种粗糙遮挡掩模，该掩模在特征warping 后立即过滤无用(遮挡)区域，而不需要任何显式监督。该模块可以很容易地集成到端到端网络架构中，在引入微不足道的计算成本的同时，还可以获得性能提升。学习后的遮挡掩模可以进一步反馈到具有双特征金字塔的后续网络级联中，从而达到最先进的性能。在提交时，我们的方法MaskFlownet超过了MPI Sintel、KITTI 2012和2015基准上所有已发布的光流方法。