raft光流计算

raft光流计算
RAFT（Recurrent All-pairs Field Transforms）是一种光流估计
方法，通过学习一个能够预测帧之间像素位移的卷积神经网络来计算光流。

它的核心思想是通过利用卷积神经网络的记忆能力，将每一对相邻帧之间的光流估计看作为多个迭代步骤的累积结果。

RAFT的网络结构由多个可重复堆叠的模块组成，每个模块包
含一个光流估计网络和一个光流更新网络。

在每个迭代步骤中，光流估计网络接收两个输入图像和当前估计的光流，然后输出一个光流修正。

光流修正与当前估计的光流相结合，作为下一步的输入。

光流更新网络通过融合所有迭代步骤的光流修正，产生最终的光流估计。

这种迭代策略使得光流估计可以逐渐进行细化和修正，提高了估计的准确性。

RAFT的训练过程使用了无监督学习方法，通过最小化光流预
测与真实光流之间的差异来学习网络参数。

此外，RAFT还引
入了一个光流拉普拉斯金字塔损失，用于惩罚高频光流估计的错误。

总的来说，RAFT是一种基于卷积神经网络的光流估计方法，
通过迭代计算和记忆机制实现高精度的光流估计。

它在多个光流估计基准数据集上取得了非常出色的结果，成为当前流行的光流估计算法之一。