本文提出了一种基于雷诺传输定理的雷诺流方法，克服了传统光流估计在复杂场景中的局限，尤其是在亮度一致性和慢速运动假设方面。该方法实现了无训练的流动估计，并在多个视频基准测试中展现出优异的鲁棒性和效率。

本研究提出了一种基于残差的光流估计方法，有效解决了事件摄像头在高时间分辨率下运动估计的数据稀疏性问题，显著提高了准确性。

本文介绍了一种新方法用于事件摄像机的跟踪，能够处理快速移动物体和动态场景。研究涉及运动、深度和光流估计，提出了多种基于事件相机的解决方案，包括旋转姿态估计和图像增强方法，显著提升了低光场景下的性能。

本文介绍了多种光流估计方法，如密集对应场、卷积网络和静态语义场景分割，旨在提高光流估计的准确性和鲁棒性。研究表明，采用新模型和数据集，尤其在复杂场景中，能够显著提升光流估计性能，特别是在小物体的识别和运动预测方面。

本文介绍了多种光流估计的新方法，如密集对应场方法、GMFlow框架和MeFlow，强调了自监督学习和注意力机制的应用。这些技术在多个数据集上表现优异，显著提高了光流估计的准确性和效率，同时降低了内存和时间成本。

本文介绍了一种基于端到端学习的光流估计方法，提升了计算速度和精度。研究了多种深度学习模型在湍流模拟中的应用，展示了它们在图像恢复和湍流抑制方面的优势。此外，BLASTNet 2.0数据集为三维超分辨率模型提供了支持，促进了流动物理应用中的机器学习方法发展。

本文介绍了多种光流估计方法，包括基于全局优化的光流估计、神经网络优化、无监督学习的DDFlow和快速光流预测的FastFlowNet。这些方法在准确性、效率和实时性方面有显著提升，适用于复杂环境中的自主导航和视觉任务。

本文介绍了一种新方法，通过稀疏激光雷达数据估计密集光流，适用于恶劣天气或夜间。该方法结合多尺度滤波器和FlowNet2，在Kitti数据集上表现出与基于图像的方法相当的效果。此外，提出了多模态融合架构DeepFusion和HRFuser，提升了自动驾驶中的3D检测性能，并展现了对数据偏移的鲁棒性。

本文介绍了基于事件相机的动态视觉传感器及其在光流估计、立体匹配和深度估计等计算机视觉任务中的应用，提出了多种新方法和框架，显著提高了性能，并在多个数据集上验证了其有效性。

本文介绍了一种基于事件相机的深度学习方法，结合卷积循环神经网络和可微分方向事件过滤模块，旨在恢复运动模糊图像。研究提出了光流估计算法，并通过实验验证其优越性。同时，利用动态视觉传感器进行视频帧插值，结合事件引导光流细化策略，获得更真实的中间帧结果。

本文介绍了多种基于神经网络的动态场景表示和光流估计方法，包括运动模糊深度估计、无监督学习的预测校正方案，以及高效的光流架构NeuFlow。这些技术在复杂场景中表现出色，提升了三维形状重建和实时计算机视觉任务的效率。

该研究提出了一种运动感知视频帧插值网络（MA-VFI），通过分层金字塔模块直接估计中间光流，有效解决复杂场景中的模糊和伪影问题。实验结果显示，该方法在多个数据集上超越了现有插值技术，提升了效率和准确性。

该研究提出了一种名为YOIO的框架，通过利用帧对提供的时空信息，设计回路判断算法来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。该方法可以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，该方法以每秒18.9帧的速度运行，在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。

该文介绍了一种基于概率的方法，建立两幅图像间的密集对应关系，并估计像素级置信度和可靠性。该方法在多个几何匹配和光流估计数据集上具有最先进的效果，并在姿态估计领域证明了实用性。

该论文介绍了一种基于脉冲的神经网络，用于从动态视觉传感器数据中估计光流。该神经网络可以与基于TrueNorth的神经元实现，并在低于80mW的预算下进行评估，误差率平均终点为11％。

本研究提出了一种自监督学习的方法，通过非遮挡像素估计光流，学习虚假遮挡。利用简单的CNN设计，获得更好的光流估计。该方法在多个基准测试中表现最佳，并为监督微调提供了良好的初始化，微调后的模型在三个数据集上达到最先进结果。