摘要 ? 大家好，今天為大家?guī)淼奈恼?A Transformer Architecture for Optical Flow 我們介紹了光流估計網(wǎng)絡(luò)，稱為FlowFormer，一種基于Transform的神經(jīng)網(wǎng)絡(luò)架構(gòu)，用于學(xué)習(xí)光流。FlowFormer化由圖像對構(gòu)建的4D cost volume，將成本編碼到一個新的潛在空間中具有交替組轉(zhuǎn)換器(AGT)層的成本內(nèi)存中，并通過一個帶有動態(tài)位置成本查詢的循環(huán)Transform解碼器對位置 cost queries進行解碼。在sinintel基準(zhǔn)測試中，F(xiàn)lowFormer的平均終點誤差(AEPE)分別為1.159和2.088，比已發(fā)布的最佳結(jié)果誤差分別降低了16.5%和15.5%

主要工作與貢獻

? 我們的貢獻可以概括為四個方面。 1)我們提出了一種新的基于Transform的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)FlowFormer，用于光流量估計，它實現(xiàn)了最先進的流量估計性能。 2)設(shè)計了一種新穎的cost volume編碼器，有效地將成本信息聚合為緊湊的潛在cost tokens。 3)我們提出了一種循環(huán)成本解碼器，該解碼器通過動態(tài)位置成本查詢循環(huán)解碼成本特征，迭代細(xì)化估計光流。 4)據(jù)我們所知，我們第一次驗證imagenet預(yù)先訓(xùn)練的傳輸

方法

? 光流估計任務(wù)要求輸出逐像素位移場f: R2→R2，將源圖像的每個二維位置x∈R2 Is映射到目標(biāo)圖像It對應(yīng)的二維位置p = x+f (x)。為了充分利用現(xiàn)有的視覺Transform體系結(jié)構(gòu)，以及之前基于cnn的光流估計方法廣泛使用的四維成本體積，我們提出了一種基于Transform的結(jié)構(gòu)FlowFormer，它對四維成本體積進行編碼和解碼，以實現(xiàn)精確的光流估計。在圖1中，我們展示了FlowFormer的總體架構(gòu)，它處理來自siamese特征的4D成本卷，包含兩個主要組件: 1)cost volume編碼器，將4D成本卷編碼到潛在空間中形成cost memory; 2)成本記憶解碼器，用于基于編碼的成本記憶和上下文特征預(yù)測每像素位移場。 圖1 FlowFormer的體系結(jié)構(gòu)。FlowFormer通過三個步驟估算光流量:1)根據(jù)圖像特征構(gòu)建4Dcost volume。2)成本卷編碼器，將成本卷編碼到成本內(nèi)存中。3)循環(huán)Transform解碼器，將具有源圖像上下文特征的代價內(nèi)存解碼為流 1.1 構(gòu)建 4D Cost Volume 骨干網(wǎng)用于從輸入HI × WI × 3rgb圖像中提取H ×W ×Df特征圖，通常我們設(shè)置(H, W) = (HI /8, WI /8)。在提取出源圖像和目標(biāo)圖像的特征圖后，通過計算源圖像和目標(biāo)圖像之間所有像素對的點積相似度，構(gòu)造H × W × H × W 4D代價體。 3.2 Cost Volume Encoder 為了估計光流，需要基于4D代價體中編碼的源目標(biāo)視覺相似性來識別源像素在目標(biāo)圖像中的對應(yīng)位置。構(gòu)建的4D成本體積可以被視為一系列大小為H × W的2D成本圖，每個成本圖度量單個源像素和所有目標(biāo)像素之間的視覺相似性。我們將源像素x的代價映射表示為Mx∈RH×W。 在這樣的成本圖中找到對應(yīng)的位置通常是具有挑戰(zhàn)性的，因為在兩個圖像中可能存在重復(fù)的模式和非歧視性區(qū)域。當(dāng)只考慮來自地圖局部窗口的成本時，任務(wù)變得更加具有挑戰(zhàn)性，就像以前基于cnn的光流估計方法所做的那樣。即使是估計單個源像素的精確位移，考慮其上下文源像素的代價圖也是有益的。 為了解決這一難題，我們提出了一種基于Transform的成本體積編碼器，該編碼器將整個成本體積編碼到成本內(nèi)存中。我們的成本卷編碼器包括三個步驟:1)成本映射補丁化，2)成本補丁嵌入，3)成本內(nèi)存編碼。我們詳細(xì)闡述這三個步驟如下。 1.2 地圖patchification成本我們根據(jù)已有的視覺轉(zhuǎn)換器，對每個源像素x的代價映射Mx∈RH×W進行跨卷積拼接，得到代價補丁嵌入序列。具體來說，給定一個H ×Wcost圖，我們首先在它的右側(cè)和底部填充0，使其寬度和高度為8的倍數(shù)。然后，填充的代價映射通過三個stride-2卷積的堆棧和ReLU轉(zhuǎn)換為特征映射Fx∈R?H/8?×?W/8?×Dp。特征圖中的每個特征代表輸入成本圖中的一個8 × 8補丁。三種卷積的輸出通道均為Dp / 4, Dp / 2 Dp。 1.3基于潛在摘要的補丁特征標(biāo)記盡管對每個源像素進行修補會得到一系列cost patch特征向量，但這種patch特征的數(shù)量仍然很大，影響了信息在不同源像素間傳播的效率。實際上，成本圖是高度冗余的，因為只有少數(shù)高成本是最有信息的。為了獲得更緊湊的代價特征，我們進一步通過K個潛碼字C∈RK×D總結(jié)了每個源像素x的patch特征Fx。具體來說，latent codewords query每個源像素的cost補丁特征，通過點積注意機制將每個成本圖進一步總結(jié)為K個D維的潛在向量。潛碼字C∈RK×D隨機初始化，通過反向傳播進行更新，并在所有源像素之間共享。歸納Fx的潛在表示Tx得到為 在投影成本-補丁特征Fx以獲得鍵Kx和值Vx之前，將補丁特征與位置嵌入序列PE∈R?H/8?×?W/8?×Dp進行拼接。給定一個2D位置p，我們將其編碼為一個長度為Dp的位置嵌入，跟隨COTR[27]。最后，通過對查詢、鍵和值進行多頭點積注意，可以將源像素x的代價圖匯總為K個潛在表示Tx∈RK×D。 關(guān)注潛在cost空間。上述兩個階段將原始的4D成本體積轉(zhuǎn)化為潛在的、緊湊的4D成本體積t。但是，直接對4D體積中的所有向量應(yīng)用自注意仍然過于昂貴，因為計算成本隨tokens數(shù)量的增加呈二次增長。 如圖2所示，我們提出了一種交替分組轉(zhuǎn)換層(AGT)，該層以兩種相互正交的方式對標(biāo)記進行分組，并在兩組中交替應(yīng)用注意，減少了注意成本，同時仍然能夠在所有標(biāo)記之間傳播信息。 圖2 Alternate-Group Transform層。交替組轉(zhuǎn)換層(AGT)將T中的token交替分組為包含K token的H × W組(Tx)和包含H × W token的K組(Ti)，并分別通過self-attention和ss self-attention[8]對組內(nèi)的token進行編碼。 對每個源像素進行第一次分組，即每個Tx∈RK×D組成一個組，在每個組內(nèi)進行自我注意。 在每個源像素x的所有K個潛在令牌之間進行自注意后，更新的Tx通過前饋網(wǎng)絡(luò)(FFN)進一步變換，然后重新組織，形成更新的4D成本體積t。自注意子層和FFN子層均采用Transform殘差連接和層歸一化的共同設(shè)計。這種自我注意操作在每個成本映射內(nèi)傳播信息，我們將其命名為內(nèi)部成本映射的自我注意。 第二種方法根據(jù)K種不同的潛在表示，將所有潛在代價令牌T∈RH×W ×K×D分成K組。因此，每一組都有D維度的(H × W)標(biāo)記，用于通過雙胞胎[8]中提出的空間可分離的自我注意(SS-SelfAttention)在空間域中傳播信息， 上述自我注意操作的參數(shù)在不同組之間共享，并按順序進行操作，形成提出的交替組注意層。通過多次疊加交替組Transform層，潛在成本令牌可以有效地跨源像素和跨潛在表示交換信息，以更好地編碼4D成本體積。通過這種方式，我們的成本體積編碼器將H × W × H × W 4D成本體積轉(zhuǎn)換為H × W × K長度為d的潛在標(biāo)記。我們將最終的H × W × K標(biāo)記稱為成本存儲器，用于光學(xué)解碼。 1.4用于流量估計的成本記憶解碼器 考慮到成本體積編碼器編碼的cost記憶，我們提出了一種用于光流預(yù)測的cost記憶解碼器。由于輸入圖像的原始分辨率為HI × WI，我們在H × W分辨率下估計光流，然后使用可學(xué)習(xí)的凸上采樣器[46]對預(yù)測的流進行上采樣到原始分辨率。然而，與以往的視覺Transform尋找抽象的語義特征不同，光流估計需要從記憶中恢復(fù)密集的對應(yīng)。受RAFT[46]的啟發(fā)，我們建議使用成本查詢從cost內(nèi)存中檢索成本特征，并使用循環(huán)注意解碼器層迭代優(yōu)化流量預(yù)測。 1.5Cost memory aggregation:為了預(yù)測H × W源像素的流，我們生成了一個(H × W)成本查詢序列，每個(H × W)成本查詢通過對成本內(nèi)存的共同關(guān)注負(fù)責(zé)估計單個源像素的流。為了為源像素x生成成本查詢Qx，我們首先計算其在目標(biāo)圖像中的對應(yīng)位置，給定其當(dāng)前估計流量f (x)，即p = x + f (x)。 然后，通過裁剪成本映射Mx上以p為中心的9×9本地窗口內(nèi)的成本，我們檢索一個局部9×9成本映射補丁qx = Crop9×9(Mx, p)。然后根據(jù)局部成本Qx編碼的特征FFN(Qx)和p的位置嵌入PE(p)構(gòu)造成本查詢Qx，通過交叉注意聚合源像素x的成本記憶Tx信息。 循環(huán)光流預(yù)測。我們的成本解碼器迭代回歸流量殘差?f (x)，將每個源像素x的流量細(xì)化為f (x)←f (x) +?f (x)。我們采用ConvGRU模塊，并遵循與GMARAFT[25]類似的設(shè)計進行流量細(xì)化。然而，我們的循環(huán)模塊的關(guān)鍵區(qū)別是使用成本查詢來自適應(yīng)地聚合來自成本內(nèi)存的信息，以實現(xiàn)更精確的流量估計。具體來說，在每次迭代中，ConvGRU單元將檢索到的成本特征和成本映射補丁Concat(cx, qx)、來自上下文網(wǎng)絡(luò)的源圖像上下文特征tx和當(dāng)前估計的流量f的拼接作為輸入，并輸出預(yù)測的流量殘差如下

實驗結(jié)果

? 圖4 Sintel[3]和KITTI[14]數(shù)據(jù)集的實驗。' A '表示自動流數(shù)據(jù)集?！癈 + T”表示只在FlyingChairs和FlyingThings數(shù)據(jù)集上進行訓(xùn)練。' + S + K + H '表示對Sintel、KITTI和HD1K訓(xùn)練集的組合進行微調(diào)。*表示這些方法使用warm-start策略[46]，該策略依賴于視頻中先前的圖像幀。?是通過補充闡述的瓦技術(shù)估計的。我們的FlowFormer實現(xiàn)了最佳的泛化性能(C+T)，并在Sintel基準(zhǔn)測試(C+T+S+K+H)中排名第一。 圖5 在steint檢驗集上的定性比較。FlowFormer大大減少了對象邊界(紅色箭頭所指)周圍的流動泄漏，并使細(xì)節(jié)(藍色箭頭所指)更加清晰。 圖5 在steint檢驗集上的定性比較。FlowFormer大大減少了對象邊界(紅色箭頭所指)周圍的流動泄漏，并使細(xì)節(jié)(藍色箭頭所指)更加清晰。?