Optical Flow and Trajectory Estimation Methods

این مختصر بر دو مشکل اصلی در حوزه تخمین جریان نوری و مسیر متمرکز است: (1) مشکل یافتن روش‌های بهینه‌سازی محدب برای اعمال پراکندگی در جریان نوری. و (ii) مشکل چگونگی گسترش پراکندگی برای بهبود مسیرها به روشی محاسباتی.
با مروری بر اصول جریان نوری، استراتژی‌های تخمین جریان رایج مورد استفاده و مزایا یا کاستی‌های هر کدام را مورد بحث قرار می‌دهد. این مختصر همچنین مفاهیم مرتبط با پراکندگی از جمله دیکشنری ها و ماتریس های رتبه پایین را معرفی می کند. سپس، زمینه را برای روش‌های جریان نوری و مسیر از جمله الگوریتم‌ها، مجموعه داده‌ها و اندازه‌گیری عملکرد فراهم می‌کند. نیمه دوم خلاصه، منظم سازی پراکنده جریان نوری کل تغییرات و مسیرهای با رتبه پایین قوی را پوشش می دهد. نویسندگان رویکرد جدیدی را توصیف می‌کنند که از وصله‌های همپوشانی جزئی برای تسریع در محاسبه استفاده می‌کند و در یک استراتژی درشت به ریز اجرا می‌شود. نتایج تجربی نشان می‌دهد که ترکیب تنوع کل و یک محدودیت پراکنده از یک فرهنگ لغت آموخته‌شده مؤثرتر از استفاده از تنوع کل به تنهایی است. این به ویژه به محققان جدیدی که به دنبال موضوعات پیشرفته در جریان نوری هستند و همچنین پیشکسوتان جریان نوری که مایلند از آخرین پیشرفت‌ها در روش‌های چند فریمی مطلع شوند، پاسخ می‌دهد.

This brief focuses on two main problems in the domain of optical flow and trajectory estimation: (i) The problem of finding convex optimization methods to apply sparsity to optical flow; and (ii) The problem of how to extend sparsity to improve trajectories in a computationally tractable way.
Beginning with a review of optical flow fundamentals, it discusses the commonly used flow estimation strategies and the advantages or shortcomings of each. The brief also introduces the concepts associated with sparsity including dictionaries and low rank matrices. Next, it provides context for optical flow and trajectory methods including algorithms, data sets, and performance measurement. The second half of the brief covers sparse regularization of total variation optical flow and robust low rank trajectories. The authors describe a new approach that uses partially-overlapping patches to accelerate the calculation and is implemented in a coarse-to-fine strategy. Experimental results show that combining total variation and a sparse constraint from a learned dictionary is more effective than employing total variation alone.
The brief is targeted at researchers and practitioners in the fields of engineering and computer science. It caters particularly to new researchers looking for cutting edge topics in optical flow as well as veterans of optical flow wishing to learn of the latest advances in multi-frame methods.