중간 추정으로 다시 정렬하기
앞선 모델이 계산한 광류로 두 번째 영상을 워핑하고 다음 모델에서 추가 정보를 활용한다. 한 번의 독립적인 추정과 달리 중간 결과가 뒤 단계의 입력에 영향을 준다. 워핑이 있으므로 앞선 오류가 모두 자동으로 제거된다고 볼 수는 없다.
학습 자료의 순서
같은 구조를 사용해도 어떤 자료를 언제 학습시키는지에 따라 결과가 달라질 수 있다. FlowNet 2는 자료 제시 일정의 중요성을 함께 다룬다. 네트워크를 크게 만드는 것만을 개선의 이유로 설명하면 학습 과정의 역할을 놓치게 된다.
작은 이동의 예
0.2화소 이동을 0으로 추정하면 절대 오차는 작아 보여도 해당 이동을 전혀 표현하지 못한 것이다. 반대로 20화소 이동의 0.2화소 오차는 다른 상대적 의미를 갖는다. 이 예는 작은 움직임을 따로 살펴야 하는 이유이며 특정 평가 지표를 대체하지 않는다.
구성과 비교 조건
작은 움직임에 특화한 하위 네트워크를 포함한 구성이 제시된다. 빠른 변형과 높은 품질의 변형은 계산 비용이 다를 수 있다. 해상도와 장치 및 모델 구성을 맞춰 비교하고 후처리 시간을 포함했는지도 구분해 전체 광류 추정 비용을 평가한다.