通过对完整的四维成本体积进行操作，我们提出了一个光流估计方法，利用半全局匹配来优化四维成本体积，使得我们的方法比现有的光流方法更精确，速度更快，并在 Sintel 和 KITTI 2015 基准测试上优于所有已发布的通用光流方法。

Apr, 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

RAFT 是一个新的深度网络结构，用于光流问题，它提取每个像素的特征，为所有像素建立多尺度 4D 相关性体，并通过一个循环单元，通过对相关性体的查找，迭代更新光流场。RAFT 在 KITTI 和 Sintel 数据集上实现了最新颖的性能，并且具有高效率的推断时间、训练速度和参数计数。

Mar, 2020

本研究基于深度立体匹配中使用的 3D 卷积学习 3D 成本体积和流形成本之间的映射关系，旨在提出一种新的算法，该算法绕过了需要构建 5D 特征体积的要求。具体而言，本研究提出解耦 2D 位移之间的关系，并在每个 2D 位移假设上独立地应用 2D 卷积匹配网络来学习 4D 成本体积，从而实现了独立于位移的成本学习。最后，我们采用 2D soft-argmin 层将成本体积投影到光流估计中。

Oct, 2020

本文介绍了一种轻量级低延迟和内存高效的动态迭代字段变换（DIFT）模型，适用于移动、增强现实、微型无人机、机器人和相机等边缘应用的光流估计，通过迭代精炼框架利用不同分辨率的代价体来实现。在 Snapdragon 8 Gen 1 HTP AI 加速器上，我们展示了第一个实时代价体光流 DL 体系结构，其 32 inf/sec 和 5.89 EPE (endpoint error) 在 KITTI 数据集上平衡了准确性和性能。

Jun, 2023

该论文提出了一种借鉴 Transformer 的高分辨率光流估计新方法，通过在目标图像垂直方向上首先应用 1D 注意力操作，然后在经过注意力操作后在水平方向上进行简单的 1D 相关操作，从而实现 2D 对应建模，能够适应极高分辨率图像，并保持竞争性能。

Apr, 2021

本论文提出了一种基于 Patchmatch 的深度学习光流方法，通过传播和局部搜索获得高精度结果，并提出了一种新的反向传播方法来减少计算复杂度，实验证明该方法在 KTTI2015 基准测试上排名第一，在 Sintel 干净基准测试上排名第二，以较少的内存消耗在高分辨率数据集 DAVIS 上得到良好的细节保留结果。

Apr, 2022

通过将光流重新描述为全局匹配问题，并使用定制 Transformer 进行特征增强、相关性和 softmax 层进行全局特征匹配、以及自注意力层进行流传播来构建 GMFlow 框架，从而实现高准确性和高效率的光流估计。

Nov, 2021

该论文提出了一种基于 RAFT 框架的 Attention-based Feature Localization (AFL) 方法，通过引入注意力机制处理全局特征提取和解决重复模式问题，进而提出了 Amorphous Lookup Operator (ALO) 来提高收敛速度和处理大位移的能力。结果表明，该方法在 Sintel 数据集上提高了 10%，在 KITTI 数据集上提高了 5%，且仅速度降低了 33%，内存使用仅增加了 13%。

Jan, 2024

本文提出了一种基于全局优化的光流估计方法，通过针对规则化的映射空间高效匹配数万个节点和位移计算，实现了从二次复杂度到线性复杂度的优化。通过对单分辨率规则格网优化实现连续插值，该领域达到了最新的实验性能。

Apr, 2016