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 SPyNet (空间金字塔网络) 算法，结合经典的空间金字塔和深度学习来计算光学流的大运动。相较于先前的 FlowNet 方法，SPyNet 更小、更高效，并且能够在标准基准测试中获得更高精度的结果。

Nov, 2016

本研究利用深度学习中的 DenseNet 架构，纵向连接对求解密集光流估计问题具有隐式深度监督的特点，扩展当前 DenseNet 到全卷积网络，通过无监督学习的方式实现了运动估计。实验结果在三个标准基准测试中证明，相较于其他广泛采用的 CNN 架构，DenseNet 更适合进行光流估计。

Jul, 2017

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卷积神经网络和边缘计算硬件技术的光流估计方法，适用于纳米四旋翼在狭窄复杂环境中的安全和自主导航。通过对边缘设备进行优化和利用运动边界真实数据提高光流估计性能的训练方法，NanoFlowNet 在 MPI-Sintel 数据集上得到了很好的验证效果，同时还在 34 克纳米四轴飞行器上实现了基于视觉的障碍物避让任务。

Sep, 2022