本文介绍了一种训练深度神经网络，从单目输入的视频中联合推断流体中移动的三维流和体积密度的方法，该方法不需要任何 3D 地面真实数据用于训练，并且可以在没有体积监督的情况下，利用实际世界的捕捉设置观察来训练模型。

Feb, 2023

本文介绍了一种使用自我监督的技术，基于最近邻和循环一致性，来训练场景流模型，从而解决在自动驾驶过程中对高动态环境的非刚性物体移动的计算问题，并且其性能优于当前标注了实际场景流数据的最新的有监督学习方法.

Dec, 2019

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

本文提出了一种使用变换提供的可靠监督信息的框架，通过使用数据增强技术来运行另一个向前传递的过程，并使用原始数据的转换后的预测结果作为自我监督信号，从而得到了多帧轻量级网络的最佳精度。

Mar, 2020

本文提出了一种基于循环图优化传输的深度神经网络解决大颗粒位移、高计算成本等问题，在几何和特征空间构建两个图，并且从图神经网络中获得融合的内部和外部特征用于优化传输计划，从而可以对粒子对进行对应关系的迭代适应式检索以指导循环流学习，实验结果证明该方法在粒子跟踪方面取得了最先进性能。

Oct, 2022

本文介绍了一种利用监督式机器学习技术、灵感来源于超分辨率和插帧的新型湍流数据重建方法，通过卷积神经网络的多尺度模型，及时地将高分辨率的湍流流场从粗略的空间和时间数据中恢复出来，该方法在二维圆柱后流、二维衰减均匀同性湍流和三维涡旋管道流场的应用中得到了验证，表明其能够满足多种流场重建的需求。

Apr, 2020

提出了一种端到端场景流学习的替代方法，通过联合估计非刚性残留流和动态 3D 场景的自运动流来学习场景流，引入了自监督信号以增强模型训练，能够将场景流分解为非刚性流和自运动流并且在当前最先进的监督方法上取得了更好的表现。

Sep, 2020

本文通过自监督学习介绍了一种基于多帧单目场景流网络的方法，该方法在保持实时效率的同时显著提高了准确性，并通过在 KITTI 数据集上进行测试达到了自我监督学习中的最新水平。

May, 2021

本文提出了一种基于自监督学习的方法来学习着重于动态的视频表示。该方法使用合成的运动轨迹来学习不同视频之间的相似性，使其数据利用率非常高，并且在实验中表现出了竞争性能和泛化性能。

Mar, 2023

本文提出了一种方法，通过利用流体的 Navier-Stokes 方程作为答案进行稀疏视频的端到端优化，实现通过 RGB 视频的高保真流体重构。

Jun, 2022