提出使用新型神经网络的光流估计新流水线，包含 Siamese CNN，ANNS 匹配、流场插值等技术，可以在光流估计数据集上获得最先进的性能表现。

Dec, 2015

本文提出一种新颖的数据关联方法，通过引入一个两阶段的学习方案来匹配检测对，第一阶段使用 Siamese 卷积神经网络来学习编码两个输入图像 patch 之间的局部空时结构描述符。第二阶段使用由比较的输入 patch 的位置和大小导出的一组上下文特征，通过梯度提升分类器与 CNN 输出结合来生成最终匹配概率，表明即使简单高效的跟踪器也可能在我们学习的匹配概率上表现优异，已公开可用的序列结果表明我们的方法达到了多人跟踪的最新标准。

Apr, 2016

本文提出了一个基于伪孪生卷积神经网络的多源图像对应关系识别方法，通过深度学习和数据融合技术，在保证高精度的同时实现了快速准确的卫星图像匹配。

Jan, 2018

本文提出卷积神经网络模型，将光流估计问题作为监督式学习任务，通过生成合成数据集进行训练，成功实现在计算机视觉领域特别是识别任务中广泛应用的卷积神经网络模型在光流估计任务上的成功率。

Apr, 2015

本文提出了一种深度学习框架，用于准确的视觉对应，并证明了其在几何和语义匹配中的有效性，提出了一种卷积空间变换器来模仿传统特征（如 SIFT）中的补丁归一化，广泛的 KITTI，PASCAL 和 CUB-2011 数据集的实验表明，与使用手工构建或学习特征的先前作品相比，我们的特征具有显着优势。

Jun, 2016

在本文中，我们使用轻量级网络提取具有强不变性的亮度鲁棒的卷积特征和角点，将光流方法的亮度一致性修改为卷积特征一致性，提出了光流的光鲁棒混合方法。使用四个卷积层同时提取特征图和得分图，该网络在商用 CPU 上以 190 FPS 运行。我们设计了一个深度网络来计算有助于训练的可靠性映射，并采用了端到端无监督训练模式。通过与原始光流在动态光照下进行角点重复性和匹配性能的比较，验证了所提出方法。此外，我们通过在 VINS-Mono 中替换光流方法，构建出更准确的视觉惯性系统，在公共 HDR 数据集上将平移误差降低了 93％。

Oct, 2023

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

本文提出了一种基于卷积神经网络（CNN）的无监督在线学习方法，用于为每帧单独估计运动模型，通过前后向的运动关系实现运动信息的推导，并能够解决非刚性运动估计的主要限制，与没有运动预测的基线相比，在 KITTI 2012、KITTI 2015 和 MPI Sintel 三项基准测试中表现出了长达 27％的一致性改进。

Jun, 2018

本论文提出了一种基于 Patchmatch 的深度学习光流方法，通过传播和局部搜索获得高精度结果，并提出了一种新的反向传播方法来减少计算复杂度，实验证明该方法在 KTTI2015 基准测试上排名第一，在 Sintel 干净基准测试上排名第二，以较少的内存消耗在高分辨率数据集 DAVIS 上得到良好的细节保留结果。

Apr, 2022