无真实标注条件下的光流模型优化方法设计

方冀嘉，邹丹平，潘常春

（上海交通大学 自动化与感知学院，上海200240） 

摘要：光流是描述两幅图像之间像素位移关系的矢量场。在现实世界中，获取光流的真实数据是一项极具挑战性的任务。长期以来，研究者主要依赖模拟环境生成的数据来训练光流模型。然而，这种方法往往使得轻量化的小型光流模型难以充分达到足够的光流精度。通过提出一种基于知识蒸馏的方法，可以提高轻量化光流模型在现实世界中的精度。此外，还提出了一种基于循环一致性的多教师数据集创建方法，能够生成高可信度的伪标签用于训练或优化。

关键词：光流，卷积神经网络，深度学习，知识蒸馏

扫二维码浏览全文

Cite this article

Fang, J., Zou, D. & Pan, C. Design of Optical Flow Model Optimization Methods in the Absence of Ground Truth. J. Shanghai Jiaotong Univ. (Sci.) (2026). https://doi.org/10.1007/s12204-026-2907-z