本文研究了卷积神经网络在无监督学习下学习光流预测的能力；提出了一种新的模型来显式模拟遮挡问题，并使用新颖的变换方式来更好地学习大运动；在 Flying Chairs，MPI-Sintel 和 KITTI 标准数据集上进行了测试，结果表明在 KITTI 数据集上无监督方法的效果优于有监督方法，尤其在该数据集上，我们的方法表现出色。

Nov, 2017

本文提出了一种基于事件驱动的非各向同性光流调整的端到端训练方法 A ^ 2OF，以建模两帧之间的复杂运动，这种方法在视频帧插值方面的性能优于之前的方法，将监督式事件驱动视频插值推向了更高的阶段。

Aug, 2022

本论文提出了新的一致性策略，包括自监督学习和半监督学习，以提高基于像素级运动描述能力，并在 KITTI-2015 景流基准测试中达到卓越的结果，实现前景准确性最佳的成果，其中且仅使用单眼图像输入。

Apr, 2022

该研究提出了一种通过探索深度信息来明确检测遮挡的视频帧插值方法，其中利用深度感知流投影层来合成中间流动图像，并且通过分类学习来收集周边像素的上下文信息，实现了输入帧、深度图和像素之间的变换以实现帧合成。

Apr, 2019

本文提出了一种基于上下文感知的合成方法，利用预先训练好的神经网络提取上下文信息，使用最先进的光流算法估计双向流，并使用上下文信息插值出高质量中间帧。

Mar, 2018

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

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

提出一种新的框架以实现视频语义分割和光流估计的联合训练，通过联合训练利用视频中已标记和未标记的帧，使视频语义分割和光流估计更加稳健并在相应任务中表现优异。

Nov, 2019

该论文提出了基于图像自相似性建模的全局运动聚合模块和基于 Transformer 的方法来解决光流算法中的遮挡问题，实现了在遮挡区域中光流估计的显著提高，并在 Sintel 数据集上取得了最新的 state-of-the-art 结果。

Apr, 2021

本文介绍了一种从真实图片中快速生成大量准确的光流标注的框架，该框架利用单目深度估计网络构建可能的点云，通过虚拟相机运动合成新视角和对应的光流场，实现对现有数据的有效利用，并提高了视觉光流网络在真实场景中的泛化和特化性能。

Apr, 2021