本文主要介绍港中文MMLab和商汤ISP&Codec团队合作发表在ECCV 2022上的工作。作者提出了FlowFormer模型，将Transformer结构引入到光流估计任务中，大幅提高了光流估计的性能。在公开的Sintel榜单的Clean和Final两个指标上，FlowFormer分别实现了1.16和2.09 AEPE，相比之前的最好方法分别下降了16.5%和15.5%。此外，只在FlyingChairs和FlyingThings数据集上训练，FlowFormer在Sintel Training的Clean指标上实现了1.01 AEPE，较之前最好方法降低21.7%，展现了优秀的泛化能力。
论文链接：
https://arxiv.org/pdf/2203.16194.pdf
开源代码：
https://github.com/drinkingcoder/FlowFormer-Official
项目主页：
https://drinkingcoder.github.io/publication/flowformer/
一、动机和背景
光流任务目标为估计相邻两帧每个像素的位移值。在许多下游的任务中，如动作识别、视频修补、视频超分，光流算法都作为基础组件提供运动和对应关系信息。
随着深度学习的发展和训练数据集的涌现，近年来光流算法不断进步，但是之前基于CNN的模型受限于局部感受野，无法处理大尺度运动、遮挡、模糊等极端情况。近来，Transformer因其长距离建模能力收到了极大的关注。作者提出将Transformer结构引入到光流估计任务中，结合传统cost volume等结构，实现更好的预测结果。
二、方法
本文的框架主要包含三个部分：基于Transformer 的特征编码器，cost volume编码器和cost volume解码器。
2.1 基于Transformer的特征编码器
我们选择在Imagenet数据集上预训练的Twins-SVT模型作为特征编码器，从输入的两帧图片中提取出高维特征图后，构建4D cost volume，用于后续处理。
2.2 Cost Volume编码器
Cost Volume是由多个记录源图片像素和所有目标图片像素相似性的cost map组成的。首先，每个cost map被投射到隐空间，转化为K个token，每个token是一个D维的feature。基于此，我们提出了轮换分组Transformer来充分融合Cost Volume的信息。具体而言，第一种是对来自同一个cost map的token进行attention操作，另一种是对分属不同cost map的token进行attention融合。交替进行这两种融合操作，从而实现对Cost Volume的编码。
2.3 Cost Volume解码器
FlowFormer使用cross-attention从Cost Volume编码器中提取特征，具体而言，根据当前估计的光流值生成查询（query）。取出的特征，结合上下文特征以及当前光流值，预测出光流残差，循环迭代优化光流。
三、实验结果
在公开的Sintel榜单的Clean和Final两个指标上，FlowFormer分别实现了1.16和2.09 AEPE，相比之前的最好方法分别下降了16.5%和15.5%。此外，只在FlyingChairs和FlyingThings数据集上训练，FlowFormer在Sintel Training的Clean指标上实现了1.01 AEPE，较之前最好方法降低21.7%，展现了优秀的泛化能力。
四、可视化结果
相比之前的最佳方法，FlowFormer在物体边界上降低了模糊效应，更好的保留了细节。
作者：石晓宇
文章来源：公众号【商汤学术】
Illustration by Konstantin Filonov from IconScout
快抢沙发！
