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
时间轴 (近 90 天)
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
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
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
全部知识事实 (5)
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%