基于Transformer的光流估计研究综述.docVIP

基于Transformer的光流估计研究综述

光流是图像序列中像素的瞬时运动速度场，能够精准刻画三维空间中物体的运动在二维成像平面上的投影，作为计算机视觉领域的核心基础任务之一，其研究成果被广泛应用于自动驾驶、视频插帧、动作识别、三维重建等多个关键场景。传统光流估计方法以变分法为核心代表，通过亮度恒定假设、平滑性约束构建能量函数进行优化，在简单场景下能够取得较为稳定的效果，但面对大位移运动、光照变化、遮挡、弱纹理等复杂场景时，其精度和鲁棒性存在明显局限性。随着深度学习技术的快速发展，以卷积神经网络（CNN）为基础的光流估计方法逐渐成为主流，这类方法通过大规模数据学习运动模式，在推理速度和复杂场景适应性上取得了显著突破，但CNN固有的局部感受野特性使其难以捕捉长距离的像素对应关系，在大位移运动和全局运动建模方面仍然存在性能瓶颈。

Transformer架构凭借其自注意力机制能够实现全局信息交互的优势，在自然语言处理领域取得巨大成功后，被迅速引入计算机视觉领域，为光流估计任务的性能突破提供了新的技术路径。自2020年首个基于Transformer的光流估计模型FlowFormer提出以来，相关研究成果呈现爆发式增长，在多个公开基准数据集上的精度指标已经全面超越传统CNN-based方法，成为当前光流估计领域的研究热点。本文系统梳理Transformer在光流估计领域的研究进展，从核心技