摘要

无监督光流学习通过利用视图合成提供的监督信号，已成为有监督方法的一种有前景的替代方案。然而，在复杂场景下，无监督学习的目标函数可能不够可靠。为此，本文提出一种新框架，引入更具鲁棒性的变换监督机制。该方法通过在数据增强生成的变换数据上执行一次额外的前向传播，并将原始数据的变换预测结果作为自监督信号，简单地对通用的无监督学习流程进行重构。此外，我们进一步设计了一种轻量级网络结构，采用高度共享的光流解码器以处理多帧输入。实验结果表明，该方法在多个基准测试上均实现了显著的性能提升，在现有深度无监督方法中达到最优精度。同时，该方法在参数量远少于现有全监督方法的前提下，仍能取得与最新全监督方法相媲美的性能表现。