使用空间金字塔网络估计光流
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
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
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
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