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

通过动态的运动流模块及深度感知模糊和成本体积稀疏损失，在自我监督多帧方法中解决了深度估计中的运动物体、光流和光度误差问题，并在实验中表现出超越其他方法的性能。

Mar, 2024

我们提出了一种新颖的自监督单眼深度估计方法，使用动态成本体积来处理静态环境中的移动物体，通过静态和动态成本体积互补来改善深度图的准确性，并采用金字塔蒸馏损失和自适应光度误差损失来提高精度。实验证明，我们的模型在自监督单眼深度估计方面优于先前发布的基线模型。

Aug, 2023

本文研究了一种神经网络模型的新方法，使用稀疏相关物体代替密集相关物体，以更高效且准确地估算像素位移并降低计算成本和内存使用。

Apr, 2021

采用动态多尺度体素流网络（DMVFN）进行视频预测，避免传统方法存在的大模型和额外输入问题，其核心是一种可微路由模块，通过选择不同的自适应子网络进行输入，比 Deep Voxel Flow 快一倍，且能够超过基于迭代的 OPT 最新技术。

Mar, 2023

本文展示了使用去噪扩散概率模型进行单目 depth 和 optical flow 估计，通过 Monte Carlo 推理，结合了自监督预训练和合成和真实数据的监督训练，能够在去噪和缺陷数据方面提供技术创新，以及对于不确定性和多模态的处理能力等方面都能取得最先进的效果。DDVM 是本文中提出的模型，相对深度误差为 0.074，比最佳发布方法的 Fl-all outlier rate 高 25%。

Jun, 2023

通过对完整的四维成本体积进行操作，我们提出了一个光流估计方法，利用半全局匹配来优化四维成本体积，使得我们的方法比现有的光流方法更精确，速度更快，并在 Sintel 和 KITTI 2015 基准测试上优于所有已发布的通用光流方法。

Apr, 2017

结合基于记忆的匹配和运动引导传播的 DeVOS（可变形视频对象分割）架构，用于视频对象分割，实现稳定的长期建模和强大的时间一致性。

May, 2024

本文介绍 LiteFlowNet3 来解决深度学习方法在处理光流估计时出现的挑战，LiteFlowNet3 使用了两个专门模块：通过自适应调制减少代价体积中的异常值从而改善代价体积的性质，并通过新颖的光流场变形方法，替代有问题的光流场来进一步提高光流估计的准确度。LiteFlowNet3 不仅在公共基准测试中取得了有前途的结果，而且具有小型模型大小和快速运行时长。

Jul, 2020

本研究基于深度立体匹配中使用的 3D 卷积学习 3D 成本体积和流形成本之间的映射关系，旨在提出一种新的算法，该算法绕过了需要构建 5D 特征体积的要求。具体而言，本研究提出解耦 2D 位移之间的关系，并在每个 2D 位移假设上独立地应用 2D 卷积匹配网络来学习 4D 成本体积，从而实现了独立于位移的成本学习。最后，我们采用 2D soft-argmin 层将成本体积投影到光流估计中。

Oct, 2020