光流 ｜ 基于深度学习的光流估计算法汇总，原理，公式，流程图，代码
基于深度学习的光流算法
- 一、光流估计的基本原理
- 二、基于深度学习的光流估计算法
- 1. **FlowNet系列**
- 2. **FlowNet 2.0**
- 3. **PWC-Net**
- 4. **RAFT（Recurrent All-Pairs Field Transformers）**
- 5. **LiteFlowNet系列**
- 三、算法流程图示例
- FlowNet2.0架构
- PWC-Net金字塔处理流程
- 四、代码实现框架
- 1. **传统方法（Lucas-Kanade）示例**
- 2. **深度学习框架（以RAFT为例）**
- 五、性能对比与适用场景
- 六、未来研究方向
- 七、开源资源
以下是基于深度学习的光流估计算法的汇总，涵盖原理、核心公式、算法流程图及代码实现框架。内容综合了多篇研究成果，并标注了相关引用来源。
一、光流估计的基本原理
光流（Optical Flow）描述了图像中像素点随时间变化的运动模式，其核心假设包括：
- 亮度恒定：同一像素在相邻帧中的亮度不变。
- 小运动：位移量足够小，可用泰勒展开近似。
- 空间一致性：邻域内像素运动相似。
光流基本方程（基于亮度恒定假设）：
I x u + I