光流 ｜ RAFT光流算法如何改进提升
RAFT（Recurrent All-Pairs Field Transforms）作为ECCV 2020最佳论文，已成为光流估计领域的标杆模型。其通过构建4D相关体金字塔和GRU迭代优化机制，在精度与泛化性上实现了突破。但针对其计算效率、大位移处理、跨场景泛化等问题，研究者提出了多维度改进方案，核心方向可系统归纳如下：
⚙️ 一、算法效率优化：轻量化与加速
-
迭代机制精简
- SEA-RAFT 将GRU替换为卷积模块，大幅减少迭代次数（训练从12次→4次，推理从32次→12次），速度提升3倍（1080P图像达21 FPS），且在Spring数据集上EPE降低22.9%。
- 非晶查找算子（ALO） 通过减少相关体冗余数据，扩展搜索空间，在Sintel和KITTI上精度提升10%/5%，仅牺牲33%速度。
-
初始光流预测
SEA-RAFT复用上下文编码器直接回归初始光流，避免从零开始迭代，加速收敛。