高性能なオプティカルフローネットワークをリソース制約のあるエッジアクセラレータに展開するのは困難である。その主な理由は、反復的な細化プロセスが現在のフローに基づいて特徴をワープ（変形）する必要があり、フロー依存のリサンプリングとデータ依存のメモリアクセスが発生するためだ。このボトルネックに対処するため、Xiao'ao SongとChahat Deep SinghはTinyFlowを提案した。これは126万パラメータのワープフリーオプティカルフローネットワークであり、2026年10月23日にarXiv（2610.33338）に投稿され、ロボティクス（cs.RO）とコンピュータビジョン（cs.CV）のカテゴリに属する。
TinyFlowの中心的アイデアは、従来のワープ操作を固定ウィンドウ相関に置き換えることである。具体的には、現在のフロー推定に応じて特徴を動的にサンプリングする代わりに、一定のオフセット上で相関を計算する。これにより、反復的な粗から細への細化メカニズムを維持しつつ、ワープに伴うデータ依存のメモリアクセスを完全に排除できる。その結果、ネットワーク全体を単一の静的INT8計算グラフとしてコンパイルでき、エッジハードウェアへの展開が大幅に簡素化される。
Float32からINT8への精度損失を補うため、著者らは量子化対応ファインチューニング、ワープ教師蒸留、モデルスープという3つの手法を採用した。これらにより、MPI-Sintelデータセットにおける量子化後の端点誤差（EPE）の増加を0.2未満に抑えている。実験では、TinyFlowはSintel Clean、Sintel Final、FlyingChairsの各ベンチマークで、Float32とINT8の両方においてEdgeFlowNetとNanoFlowNetを上回った。また、パラメータ数はEdgeFlowNetより54%少ない。INT8モデルはSintel Cleanで6.29、Sintel Finalで7.13のEPEを達成している。
さらに、著者らはこのINT8モデルをフローのみの単眼視覚オドメトリに適用し、TartanAirとUZH-FPVデータセットで評価した。全11シーケンスのうち7シーケンスで最小の軌跡誤差を記録し、実際のエッジロボティクス応用における可能性を示した。論文は9ページ、5図、4表で構成され、完全な実験詳細と比較分析を提供している。