该研究提出一种新的用于光流估计的方法，该方法在稀疏点集和稠密匹配初始化的基础上，采用边界保存插值进行密集匹配，从而使用变分能量最小化获得光流估计，并经过 MPI-Sintel、Kitti 和 Middlebury 数据集的验证，具有较快速度和鲁棒性。

Jan, 2015

该研究论文报道了一种利用稀疏点匹配进行场景流估计的方法，通过边缘信息实现保持几何和运动边界的稠密插值，并进行变分能量最小化迭代优化，最终在 KITTI 基准数据集上得到了优秀的表现，可用于汽车场景下的静态与动态部分的分割。

Oct, 2017

本文提出了一种新的方法，从自动驾驶车辆的稀疏激光雷达数据中估计密集的光流，用作图像不可靠的情况下，如恶劣天气或夜间，替代任何基于图像的光流系统的替代方案。该方法使用多尺度滤波器的三级结构来推断离散范围数据的高分辨率 2D 流，并在 lidar 和图像域中结合多个中间目标。通过使用 FlowNet2 计算的假伪基于图像的光流，我们介绍了一个包含约 20K lidar 样本的 Kitti 数据集，并使用该数据集训练网络。我们在 Kitti 数据集上演示了我们方法的有效性，并表明尽管使用低分辨率和稀疏的 lidar 测量，我们可以回归与基于图像的方法相当的密集光流图。

Aug, 2018

本文提出了 FlowFields ++ 算法，通过结合 Flow Fields 的准确匹配和稳健的插值方法，以及改进的变分优化作为后处理，针对稀疏匹配的准确性和插值方面的不足进行了改进，并在公开测试数据集 KITTI 和 MPI Sintel 上均取得了最佳的效果。

May, 2018

本研究针对动态视觉传感器（DVS）输出的稀疏事件数据，提出了一种轻量级、无监督学习的深度、光流和自我运动估计的机器学习架构，称为 ECN。本研究是第一个仅使用上述稀疏事件数据产生密集深度和光流的单目管道，网络工作在自监督模式下，仅有 150k 个参数，通过实验证明本架构在低光照环境下也有优良性能。

Sep, 2018

本研究提出了一种使用卷积神经网络对变长多帧视频插值进行建模，同时考虑运动解释和遮挡关系的方法，其中使用了 U-Net 架构计算输入时间序列帧之间的双向光流，并将其用于线性插值生成中间帧。我们的方法在多个数据集上进行实验，结果表明其表现优于现有方法。

Nov, 2017

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

本文提出了一种新的 Interpolated Convolution 操作，即 InterpConv，以解决点云特征学习和理解问题，进一步设计了基于 InterpConv 层的 Interpolated Convolutional Neural Networks（InterpCNNs）来处理点云识别任务，实验表明这种方法可以有效地捕捉细粒度的局部结构和全局形状的上下文信息，并在公共基准测试中取得了最先进的性能。

Aug, 2019

该研究提出了一种通过探索深度信息来明确检测遮挡的视频帧插值方法，其中利用深度感知流投影层来合成中间流动图像，并且通过分类学习来收集周边像素的上下文信息，实现了输入帧、深度图和像素之间的变换以实现帧合成。

Apr, 2019