ECCV2022用FlowFormer预测光流，效果惊艳！误差减少16.5%！

他们介绍了一种用于学习光流的基于变压器的神经网络结构——光流变换器，简称为FlowFormer。FlowFormer标记化从图像对构建的4D成本卷，将成本标记编码到新潜在空间中具有交替组变换器（AGT）层的成本内存中，并通过具有动态位置成本查询的循环变换器解码器解码成本内存。在Sintel基准测试中，FlowFormer在清洁和最终焊道上达到1.159和2.088平均终点误差（AEPE），与最佳公布结果（1.388和2.47）相比，误差减少了16.5%和15.5%。此外，FlowFormer还具有很强的泛化性能。在未接受Sintel培训的情况下，FlowFormer在Sintel训练集的干净及格成绩达到1.01 AEPE，比最佳公布成绩（1.29）高出21.7%。