该论文提出了一种基于变压器架构的 GMA3D 模块，通过运用局部和全局相似性从非遮挡点的运动信息和局部运动信息来推断被遮挡点的运动信息，并使用偏移生成器来聚合它们，从而解决了场景流中的遮挡问题，并在 KITTI，FlyThings3D 等数据集上取得了最优结果。

Oct, 2022

通过充分利用帧对提供的时空信息，设计回路判断算法以确保获得正确的全局参考信息，并从中挖掘多种必要的全局信息，再设计一个高效的细化模块来融合这些全局信息，提出了一种名为 YOIO 的框架，可以在只进行一次迭代的情况下显著提升遮挡区域的光流估计性能，而对非遮挡区域的性能没有损害。与 GMA 相比，该方法在遮挡区域的光流预测精度提高了 10% 以上，occ_out 区域超过 15%，计算时间缩短了 27%。在 436*1024 像素分辨率下，此方法以每秒 18.9 帧的速度运行，在具有挑战性的 Sintel 数据集中获得了优于所有已发表和未发表的能够实时运行的方法的最新成果，为准确高效的光流估计提供了新的范例。

Jan, 2024

该论文提出了一种基于数据驱动的多帧场景流估计方法，通过神经网络以及双向场景流估计和遮挡掩模生成实现了对运动估计中遮挡问题的有效解决，提供了一种快速有效的计算机视觉方法。

Nov, 2020

提出采用两步聚合范式来解决在视频序列中计算光流时存在的位移、运动细节和遮挡问题，并对其进行实验验证，证明其在计算机视觉基准测试中取得了最先进的结果，尤其是在位移和遮挡的情况下表现出显著的提升。

Jul, 2014

通过利用在线遮挡识别信息构建扩展可视特征和两个强约束条件，该研究实现了光流预测中对被遮挡点的精确定位，取得了当前领先方法的显著误差减小，对所有点、未被遮挡的点和被遮挡的点分别比 GMA-base 方法 (MATCHFlow (GMA)) 分别减小了 18.6%、16.2% 和 20.1%，在 Sintel clean pass 上位列所有已发布方法之首，代码将会开源。

Mar, 2024

该研究提出了一种新的框架，利用 Transformer 网络从单个运动模糊图像中端到端地估计光流，并通过粗到细的方式评估了该模型的性能和应用。

Mar, 2021

该论文提出了 ContinualFlow 算法来解决光流估计中遮挡估计和处理以及超过两帧图像序列的估计问题，提高了 KITTI 和 Sintel 的性能。该方法利用前一帧图像的光流信息来估计遮挡，并在无对应区域中作为经验先验，能够不断进行优化。

Nov, 2018

本文提出了一种名为 OcclusionFusion 的新方法，使用一种基于 LSTM 图神经网络的遮挡感知 3D 运动来指导实时重建，实验证明该方法的性能比现有的基于单视角的方法要好得多。

Mar, 2022

提出了一种模块化网络，利用几何分析独立对象运动能从码流场中恢复，利用 3D 刚体转换对背景和多个刚体运动物体进行分割掩模并获得刚性运动分割的最佳性能，从而显着改善深度和场景流估计。

Jan, 2021

该研究针对自动驾驶技术中单目序列所含信息研究了单目深度估计、相机自身运动估计和连续帧中的光流估计，并提出了基于三个区域模型、OCCLUSION 区域的完整显式分割以及相应的无监督学习方法， 显著提高了三项任务的性能。

Mar, 2020