RAFT
深度学习时代的光流估计模型，Recurrent All-Pairs Field Transforms，在光流估计任务中具有高精度表现
核心事实
时间轴 (近 90 天)
实验结果显示，RAFT平均减少训练输入35.23%，最高可达97.11%。
论文《RAFT: Redundancy-Aware Input Filtering for Temporal Graph Neural Network Training》提出了RAFT，一个用于TGNN训练的冗余感知输入过滤框架。
RAFT包含两个过滤器：根事件过滤器（root-event filter）在训练前移除选定的预测目标；支持事件过滤器（support-event filter）在采样过程中排除选定的历史上下文。
RAFT利用节点记忆的变化幅度来判断事件的重要性：记忆变化小意味着该事件对后续预测影响有限，可作为冗余过滤的依据。
在多种评估设置下，过滤掉与稳定记忆相关的历史事件可以保持相似的训练损失轨迹。
研究者在三个TGNN模型和五个数据集上评估了RAFT。
训练模型的核心过程是通过梯度下降法沿着损失函数的梯度方向迭代更新参数
基于深度学习的光流估计方法如RAFT、FlowNet在精度和速度上取得了显著突破，使实时光流插帧成为可能
光流估计（通过 RAFT、GMFlow 等算法）用于量化视频运动信息，光流均值接近零表示静态场景，方差过大意味着剧烈场景切换或抖动，这类数据不适合训练
光流计算连续两帧之间每个像素的位移向量形成稠密运动场，经典算法包括Lucas-Kanade和Horn-Schunck，RAFT等深度学习方法提升了精度
还有 2 条时间轴事件
全部知识事实 (12)
训练模型的核心过程是通过梯度下降法沿着损失函数的梯度方向迭代更新参数
75%待验证在多种评估设置下，过滤掉与稳定记忆相关的历史事件可以保持相似的训练损失轨迹。
50%待验证实验结果显示，RAFT平均减少训练输入35.23%，最高可达97.11%。
50%待验证RAFT包含两个过滤器：根事件过滤器（root-event filter）在训练前移除选定的预测目标；支持事件过滤器（support-event filter）在采样过程中排除选定的历史上下文。
50%待验证RAFT利用节点记忆的变化幅度来判断事件的重要性：记忆变化小意味着该事件对后续预测影响有限，可作为冗余过滤的依据。
50%待验证研究者在三个TGNN模型和五个数据集上评估了RAFT。
50%待验证基于深度学习的光流估计方法如RAFT、FlowNet在精度和速度上取得了显著突破，使实时光流插帧成为可能
50%待验证光流估计（通过 RAFT、GMFlow 等算法）用于量化视频运动信息，光流均值接近零表示静态场景，方差过大意味着剧烈场景切换或抖动，这类数据不适合训练
50%待验证光流计算连续两帧之间每个像素的位移向量形成稠密运动场，经典算法包括Lucas-Kanade和Horn-Schunck，RAFT等深度学习方法提升了精度
50%待验证经典光流算法Lucas-Kanade基于局部约束，Horn-Schunck基于全局约束，都依赖亮度恒定假设；FlowNet（2015）首次用CNN端到端估计光流，RAFT（2020）通过全对相关体积改进
50%待验证FlowNet于2015年首次用卷积神经网络端到端估计光流，RAFT于2020年通过全对相关体积并迭代优化大幅提升光流估计精度
50%待验证论文《RAFT: Redundancy-Aware Input Filtering for Temporal Graph Neural Network Training》提出了RAFT，一个用于TGNN训练的冗余感知输入过滤框架。
50%