本论文提出了使用卷积网络对视差和场景流进行光流估计的方法，并成功构建了三个合成的立体视频数据集，通过对现有网络进行联合培训，实现了首个卷积网络进行场景流估计。

Dec, 2015

本文提出了SPyNet(空间金字塔网络)算法，结合经典的空间金字塔和深度学习来计算光学流的大运动。相较于先前的FlowNet方法，SPyNet更小、更高效，并且能够在标准基准测试中获得更高精度的结果。

Nov, 2016

本文提出了一种基于端到端学习的光流估计方法，该方法通过数据给特定学习任务提供重要信息，并且采用了堆叠式架构及对小运动专门优化的子网络，使得计算速度得到了提升，同时精度与业界领先的方法相当；相比于原始的FlowNet，FlowNet 2.0 计算速度基本不降反升，估计误差降低了超过50%。

Dec, 2016

本研究使用自监督学习辅助提高CNN-based光流估计在实际情境中的性能，在合成和真实场景下混合训练神经网络并采用样本多变量多任务结构，以预测next-flow代替当前光流估计，并取得了较好的性能，实验结果表明总体改善了在实际KITTl基准测试中的光流估计。

Dec, 2016

本文介绍了一种新的基于自监督深度学习的光流估计方法 EV-FlowNet，用于事件驱动相机。该方法不仅可以准确地估计密集光流，还为其他自监督方法到事件驱动领域提供了转移框架。

Feb, 2018

本文介绍了一种新的神经网络，通过轻量级级联网络、流规则化层和特征提取的结构来提高光流估计的准确度，并且比现有的FlowNet2在模型大小和运行速度等方面都有所优化。

May, 2018

本研究介绍了如何使用合成数据集来增强预训练的卷积神经网络，从而提高其在实际领域中的性能，尤其在光流估计领域取得了最先进的成果。

Aug, 2018

通过简单和成熟的原则，包括金字塔处理，扭曲和成本体积处理，我们设计了一种紧凑但有效的CNN模型PWC-Net进行光流估计，并通过相同的训练过程对FlowNetC进行重新训练，提高了56%的准确性，并进一步改进了训练过程，将PWC-Net在Sintel上的准确性提高了10％，在KITTI 2012和2015上提高了20％，该模型在Robust Vision Challenge的光流比赛中获胜。

Sep, 2018

本文提出了一个名为LiteFlowNet2的网络，主要用于光流估计问题，它使用卷积神经网络来计算光流，同时使用流正则化来解决异常和模糊问题，并实现了特征扭曲，而不是像FlowNet2和SPyNet那样变换图像，这通过轻量级级联流推理提高了速度，同时对Sintel和KITTI数据集的表现比FlowNet2更好，并且模型大小要小25.3倍，比运行速度要快3.1倍。

Mar, 2019

本文介绍了一种从真实图片中快速生成大量准确的光流标注的框架，该框架利用单目深度估计网络构建可能的点云，通过虚拟相机运动合成新视角和对应的光流场，实现对现有数据的有效利用，并提高了视觉光流网络在真实场景中的泛化和特化性能。

Apr, 2021