本研究提出了一种自监督学习的方法，通过利用非遮挡像素估计可靠的光流，用于学习虚假的遮挡。同时，通过设计一个简单的 CNN 来利用多帧的时间信息来获得更好的光流估计。该方法在 MPI Sintel、KITTI 2012 和 2015 等多个挑战基准测试中取得了最佳性能，并且该自监督预训练模型为监督微调提供了极好的初始化，其微调后的模型在三个数据集上均取得了最先进的结果。

Apr, 2019

通过改进训练流程中的采样偏差、优化正则化和数据增强参数，并应用于一个参数较低的体系结构中，使其在 MPI Sintel 和 KITTI 基准测试中的表现均优于同类算法。

Feb, 2020

针对光流估计中的连续帧遮挡问题，我们提出了一个简化的批处理多帧（SIM）流程，包括高效的时空建模方法和全局时间回归器（GTR），可在解码过程中有效地探索时间关系。相对于以前的多帧方法，该方法不仅在 KITTI 和 Sintel 数据集上的性能表现出色，尤其是在遮挡区域方面有显著改进，而且在速度方面取得了显著的 63.82% 提升。

Nov, 2023

本文提出了基于 CNN 的 Super Kernel Flow Network (SKFlow) 算法估计局部模糊区域中的光流，通过超级核心理论解决匹配信息缺失的问题，在 Sintel 基准测试中表现优秀。

May, 2022

基于关键点的场景理解对自动驾驶应用至关重要，同时光流在许多视觉任务中发挥着重要作用。本研究提出了一种基于点的建模方法，通过学习关键点先验信息来解决传统数据驱动光流估计方法在关键点上性能不佳的问题，并使用 FocusFlow 框架进行多样的点级监督，取得了显著的性能提升。

Aug, 2023

本论文提出一种 EffiScene 场景流框架，通过 Rigidity from Motion 层的学习，同时联合学习光流、深度、相机姿态和运动分割 4 个底层视觉子任务，有效地解决了无监督场景流估计问题。实验证明，该方法在 KITTI 基准测试中，明显提高了所有子任务的表现。

Nov, 2020

介绍了一种新方法 ——SCOOP，它可以在不使用 ground-truth 流监督的情况下，通过学习点特征表征来进行场景流估计，并使用一种自我监督目标的流细化组件直接优化流，从而实现点云之间的连贯和准确的流场，在分数的训练数据的前提下提高了现有领先技术的性能。

Nov, 2022

TransFlow 是一个基于 Transformer 结构的纯光流估计方法，通过利用空间自注意力机制和跨帧交叉注意力机制，实现更准确的相关性和可信匹配、通过长时序关联恢复更多的损失信息，并通过简单的自学习范式，消除复杂的多阶段预训练程序，在多个任务上实现了最先进的结果。

Apr, 2023

OptFlow 是一种快速优化型场景流估计方法，不依赖学习或任何标注数据，可在流行的自动驾驶基准测试中实现场景流估计的最先进性能，同时提供最快的推理时间。

Jan, 2024

文章提出了一种综合了静态和非约束场景下光流方法的算法，可以同时估计运动物体的分割和相机运动的 3D 结构，具有更高的精度。

May, 2017