CVPR 2020丨MaskFlownet：基于可学习遮挡掩模的非对称特征匹配

编者按：在光流预测任务中，形变带来的歧义与无效信息会干扰特征匹配的结果。在这篇 CVPR 2020 Oral 论文中，微软亚洲研究院提出了一种可学习遮挡掩模的非对称特征匹配模块 ，它可以被轻松结合到端到端的基础网络中，无需任何额外数据和计算开销就可以学习到遮挡区域，从而显著改进光流预测的结果。光流预测任务（opticalflow estimation）即给定一张原始图像与一张目标图像，希望建立一个表示从原始图像的每个像素到目标图像的对应关系的流场（flow field）。在理想情况下，目标图像通过流场形变得到的形变图像应该与原始图像非常相似。但是，前景与背景之间的相对位移产生的遮挡区域（occlusions）给形变图像带来了歧义与无效信息（如图1），使得光流预测任务 ………………………………