提出了一种增强型概率密集对应网络 (PDC-Net+), 可以同时估计准确的密集对应关系和可靠的置信度分布，通过联合学习流估计和不确定性来预测密集匹配度，并且在自监督训练环境下具有更加稳健和可泛化的不确定性预测策略，对几何匹配和光流数据集取得了最先进的结果，并证明了概率置信度估计在姿态估计、3D 重建、图像定位和图像检索方面的有用性。

Sep, 2021

Dense visual correspondence is established between images using Doduo, which learns general dense visual correspondence without ground truth supervision. The method incorporates semantic priors and self-supervised flow training to produce accurate correspondence robust to dynamic scene changes, resulting in superior performance for point-level correspondence estimation.

Sep, 2023

本文提出了一种新的自监督场景流估计方法，利用高斯混合模型将离散点云表示为连续的概率密度函数，并使用经典 Cauchy-Schwarz 散度的闭合式表达式从概率密度函数的对齐中恢复运动，通过建立软性隐式点对应关系生成更稳健和准确的场景流，实验结果表明该方法在现实环境中的 FlyingThings3D 和 KITTI 数据集上的性能优于现有方法，甚至超过了一些有监督的方法。

Mar, 2022

本文提出了一种同时预测光流和其基础不确定性的方法，该方法集成了变分推断方案，通过边缘熵获得每个像素处的不确定性量度，得到的不确定性量度明显优于现有的后处理方法。

Aug, 2017

本文提出了一种使用神经网络在高度自由的 RGB 图像中计算面部对应关系的最简单有效的方法，使用渲染可变姿势、表情、照明和遮挡的多样化三维面部模型生成大量人工数据集，结合真实照片培训表现在精度和速度上优于现有方法，并可以成功地处理极端姿势变化、遮挡和光照条件。

Sep, 2017

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

本文提出了一种简单的改变现有图像相似度度量标准的方法，通过使用光流匹配图像并测量对应像素的视觉相似度来使其更加鲁棒性地处理对象位置误差，并应用于各种视频预测任务和视频内插任务中，实现了简单的网络结构，取得了强大的表现。

Apr, 2021

本文介绍了一种密集对应场方法，该方法具有非常低的异常值率，比近似最近邻字段更适合光流估计，并使用数据搜索策略取代了显式正则化和平滑 (如中值过滤) 或新的数据项。此外，我们提供了一种新颖的异常值过滤增强方法。我们显示了我们的方法比最先进的描述符匹配技术更适合大位移光流估计。通过使用我们的 Flow Field 来初始化 EpicFlow，我们显着优于 MPI-Sintel，KITTI 和 Middlebury 上的原始 EpicFlow。

Aug, 2015

本研究针对两幅图像之间密集像素对应估计的挑战进行探讨，提出了一种基于粗到细的 CNN 框架，能够扩展光流方法的优势，解决大范围变换并提供密集和亚像素准确估计的问题，并在相对摄像机姿态估计问题上表现优异。

Oct, 2018

DeepFaceFlow 是一种基于 3D 的深度学习框架，用于快速准确地从单目图像中捕捉面部运动，并且可以应用于面部表情识别等领域，同时结合了 occlusion-aware 和 3D-based 损失函数进行训练和测试，方法优于现有的流和 3D 方法，还能作为完整的头部面部视频合成中的一部分。

May, 2020