U$^{2}$Flow: 不確実性を考慮した教師なし光学フロー推定

概要: 非教師ありの光フロー手法は通常、信頼できる不確実性推定を欠いているため、堅牢性と解釈可能性が制限されます。私たちは、光フローとピクセルごとの不確実性を同時に推定する最初の反復型（recurrent）非教師ありフレームワークである U^{2}Flow を提案します。本質的な革新は、ラプラスに基づく最大尤度目的により、データ拡張の一貫性から不確実性の監督（supervision）を導出する、デカップルド（切り離した）学習戦略です。これにより、教師データなしでも安定した学習が可能になります。さらに、予測された不確実性はネットワークに統合され、適応的なフローの洗練（refinement）を導き、領域ごとの滑らかさ損失を動的に調整します。加えて、困難な領域での堅牢性を高める、不確実性に導かれた双方向フロー融合（bidirectional flow fusion）機構も導入します。KITTI および Sintel での大規模な実験により、U^{2}Flow は非教師あり手法の中で最先端の性能を達成し、非常に信頼性の高い不確実性マップを生成することが示されます。これは、提案する同時推定の枠組みの有効性を裏付けています。コードは https://github.com/sunzunyi/U2FLOW で公開されています。