本研究使用自监督学习辅助提高CNN-based光流估计在实际情境中的性能，在合成和真实场景下混合训练神经网络并采用样本多变量多任务结构，以预测next-flow代替当前光流估计，并取得了较好的性能，实验结果表明总体改善了在实际KITTl基准测试中的光流估计。

Dec, 2016

本文介绍了一种新的基于自监督深度学习的光流估计方法 EV-FlowNet，用于事件驱动相机。该方法不仅可以准确地估计密集光流，还为其他自监督方法到事件驱动领域提供了转移框架。

Feb, 2018

采用动态光流来监督静态图像的表示，通过学习嵌入像素以达到其光流向量之间的相似性，我们设计了一种无需手工标注的学习卷积神经图像表示的新方法，这个新方法优于以往的运用动态光流学习卷积神经网络的方法，并在语义分割等领域首屈一指。

Jul, 2018

DDFlow是一种基于数据净化的方法，可从未标注的数据中学习光流估计。该方法使用可靠的预测来指导学生网络学习光流，并能够为被遮挡像素进行光流估计，从而实现了更高的准确性。在Flying Chairs、MPI Sintel、KITTI 2012和2015基准测试中，DDFlow的性能显著优于所有现有的无监督学习方法，同时实现了实时运行。

Feb, 2019

我们提出了一种统一的方法来共同学习光流和立体匹配。我们的第一条直觉是，立体匹配可以被建模为光流的一种特殊情况，我们可以利用立体视频背后的三维几何来指导这两种形式的对应关系的学习。然后，我们将这个知识纳入到最先进的自我监督学习框架中，并训练一个单一的网络来估计流和立体。其次，我们揭示了先前自我监督学习方法中的瓶颈，并提出了创建一组新的具有挑战性的代理任务来提高性能的方法。这两个洞察力产生了一个单一的模型，在KITTI 2012和2015基准测试中，这些模型的准确性甚至超过了包括PWC-Net和FlowNet2在内的几种最先进的全监督方法。

Apr, 2020

本文提出的单目场景流（Scene Flow）估计方法基于一个卷积神经网络（CNN），通过充分考虑光流代价体积，成功估算出深度和三维运动。我们采用了自监督学习方法，利用三维损失函数和遮挡推理来提高估计精度。实验结果表明，该方法在单目场景流估计领域取得了最佳性能，同时在光流和单目深度估计子任务上也获得了很好的结果。

Apr, 2020

本文提出一个基于度量学习的自监督场景流估计方法，包括多尺度三元损失和周期一致性损失，使用提出的基准测试 Scene Flow Sandbox 显著提高了自监督场景流估计的性能。

Nov, 2020

本文提出了一种新的自监督训练方法和架构，实现了三维场景流估计，优于传统的结构，包括多层融合技术在内的智能方法。研究结果在Flyingthings3D和KITTI数据集上均获得了监督和自监督训练的最新成果。

Apr, 2021

AutoFlow是一个简单而有效的方法，通过可学习超参数控制每一层的运动、形状和外观, 优化模型在目标数据集上的表现，可以渲染用于光流训练的合成数据，并在PWC-Net和RAFT的预训练中达到最先进的精度。

Apr, 2021

提出了一种在没有ground truth flows的情况下实现fine tuning的实用方法，该方法基于self-supervision和使用flow supervisor实现了更稳定收敛和更好的准确性，在Sintel和KITTI基准上实现了有意义的改进。

Jul, 2022