CVPR 2020 论文大盘点-光流篇
光流可视化示例：
图片来自 https://github.com/PharrellWANG/optical-flow-visualization
光流估计是计算机视觉的传统方向，CVPR 2020 的经典论文奖，授予了光流领域论文：Deqing Sun，Stefan Roth和Michael J. Black的 Secrets of Optical Flow Estimation and Their Principles，发表于2010年。
光流是2D的图像运动信息，近年，光流的3D版本即场景流（Scene Flow）也开始引起大家的兴趣，场景流反应图像/点云中每个点在前后两帧的变化情况。
本文总结CVPR 2020 中所有与光流（Optical Flow）和场景流（Scene Flow）相关论文，总计 12 篇。不仅包括新方法，也包括部分应用。
来自卡内基梅隆大学的 Upgrading Optical Flow to 3D Scene Flow Through Optical Expansion 论文通过Optical Expansion将光流扩展到3D 场景流（3D Scene Flow），能够反映场景深度的变化，是 CVPR Oral ，非常值得关注。
大家可以在：
http://openaccess.thecvf.com/CVPR2020.py
按照题目下载这些论文。
如果想要下载所有CVPR 2020论文，请点击这里：
CVPR 2020 论文全面开放下载，含主会和workshop
通过Optical Expansion将光流升级到3D场景流
[1].Upgrading Optical Flow to 3D Scene Flow Through Optical Expansion
作者 | Gengshan Yang, Deva Ramanan
单位 | 卡内基梅隆大学；Argo AI
代码 | https://github.com/gengshan-y/expansion
备注 | CVPR 2020 Oral
基于Event Camera的单图像光流估计
[2].Single Image Optical Flow Estimation With an Event Camera
作者 | Liyuan Pan, Miaomiao Liu, Richard Hartley
单位 | 澳大利亚国立大学；澳大利亚机器人视觉中心
利用光流引导训练的空间变异反卷积网络，实现高效的动态场景去模糊
[3].Efficient Dynamic Scene Deblurring Using Spatially Variant Deconvolution Network With Optical Flow Guided Training
作者 | Yuan Yuan, Wei Su, Dandan Ma
单位 | OPTIMAL；西北工业大学
密集光流改进视觉里程计
[4].VOLDOR: Visual Odometry From Log-Logistic Dense Optical Flow Residuals
作者 | Zhixiang Min, Yiding Yang, Enrique Dunn
单位 | 史蒂文斯理工学院
代码 | https://github.com/htkseason/VOLDOR
无监督光流估计，从Transformations中获得可靠的监督信息的类别学习方法
[5].Learning by Analogy: Reliable Supervision From Transformations for Unsupervised Optical Flow Estimation
作者 | Liang Liu, Jiangning Zhang, Ruifei He, Yong Liu, Yabiao Wang, Ying Tai, Donghao Luo, Chengjie Wang, Jilin Li, Feiyue Huang
单位 | 浙江大学；腾讯优图
代码 | https://github.com/lliuz/ARFlow
光流和立体匹配的有效自监督学习
[6].Flow2Stereo: Effective Self-Supervised Learning of Optical Flow and Stereo Matching
作者 | Pengpeng Liu, Irwin King, Michael R. Lyu, Jia Xu
单位 | 香港中文大学；虎牙AI
代码 | https://github.com/ppliuboy/Flow2Stereo（尚未）
黑暗场景的光流估计（无需图像增强的直接法）
[7].Optical Flow in the Dark
作者 | Yinqiang Zheng, Mingfang Zhang, Feng Lu
单位 | National Institute of Informatics；鹏城实验室；北航
光流估计的动态场景范围划分法
[8].ScopeFlow: Dynamic Scene Scoping for Optical Flow
作者 | Aviram Bar-Haim, Lior Wolf
单位 | 以色列特拉维夫大学；FAIR
代码 | https://github.com/avirambh/ScopeFlow
基于光流的视频稳像
[9].Learning Video Stabilization Using Optical Flow
作者 | Jiyang Yu, Ravi Ramamoorthi
单位 | 加利福尼亚大学圣迭戈分校
利用半监督学习的浓雾场景中的光流估计
[10].Optical Flow in Dense Foggy Scenes Using Semi-Supervised Learning
作者 | Wending Yan, Aashish Sharma, Robby T. Tan
单位 | 新加坡国立大学；耶鲁-新加坡国立大学学院
自监督学习的单目场景流估计
[11].Self-Supervised Monocular Scene Flow Estimation
作者 | Junhwa Hur, Stefan Roth
单位 | 达姆施塔特工业大学
代码 | https://github.com/visinf/self-mono-sf
自监督的场景流估计
[12].Just Go With the Flow: Self-Supervised Scene Flow Estimation
作者 | Himangi Mittal, Brian Okorn, David Held
单位 | 卡内基梅隆大学
可见，因为光流和场景流人工打标签的代价太大，故该领域无监督、自监督学习是重要反向。