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

我们提出了一种紧凑但有效的卷积神经网络模型，用于光流预测，名为 PWC-Net，其通过金字塔处理、扭曲变换和成本体积使用学习功能进行设计，该模型在 MPI Sintel 最终传递和 KITTI 2015 基准测试上优于所有发表的光流方法，同时比最近的 FlowNet2 模型小 17 倍且易于训练。

Sep, 2017

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

本文提出了基于 CNN 的 Super Kernel Flow Network (SKFlow) 算法估计局部模糊区域中的光流，通过超级核心理论解决匹配信息缺失的问题，在 Sintel 基准测试中表现优秀。

May, 2022

本文提出了一种基于深度学习的快速且精确的光流预测方法：FastFlowNet，其参数较少，适用于低功耗设备，且在合成和真实数据集上的实验证明了其有效性。

Mar, 2021

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

提出无监督学习方法，通过改善金字塔网络的上采样和学习来估计光流，具有自引导上采样模块和金字塔蒸馏损失，并将两个组件相结合，该方法在多个基准测试中均取得了最佳性能。

Dec, 2020

本文提出了使用胶囊网络处理光流问题的框架，并展示了在小型数据集上胶囊网络的表现优于 FlowNetC 和 PWC-Net 等模型的结果。

Apr, 2023

本文提出了一种无监督的光流估计方法，通过引入自适应金字塔采样，提出了一个内容感知池化模块和一个自适应光流上采样模块，能够有效地避免交叉边界插值和交叉区域池化，从而实现了最佳的光流估计性能。

Apr, 2021