高性能光流网络在资源受限的边缘加速器上部署面临显著困难，主要原因在于其迭代细化过程需要根据当前光流对特征进行形变（warp），这引入了流依赖的重采样和数据依赖的内存访问模式，难以高效编译和量化。针对这一瓶颈，Xiao'ao Song 和 Chahat Deep Singh 提出了 TinyFlow，一种仅包含 126 万参数的无形变光流网络，该论文于 2026 年 10 月 23 日提交至 arXiv（编号 2610.33338），属于机器人学（cs.RO）与计算机视觉（cs.CV）交叉领域。
TinyFlow 的核心创新是用固定窗口相关（fixed-window correlation）替代传统的形变操作。具体而言，网络在恒定偏移量上计算相关性，而不是根据当前光流估计动态采样特征。这样既保留了迭代的由粗到细细化机制，又彻底消除了形变带来的数据依赖内存访问。得益于此，整个网络可以编译为单一的静态 INT8 计算图，极大简化了在边缘硬件上的部署流程。
为了弥补从 Float32 到 INT8 的精度损失，作者采用了三项技术：量化感知微调、形变教师蒸馏以及模型汤（model souping）。这些方法共同将量化后的端点误差（EPE）惩罚控制在 MPI-Sintel 数据集上低于 0.2。实验结果表明，TinyFlow 在 Sintel Clean、Sintel Final 和 FlyingChairs 三个基准上，无论 Float32 还是 INT8 精度，均优于 EdgeFlowNet 和 NanoFlowNet。同时，TinyFlow 的参数数量比 EdgeFlowNet 少 54%。其 INT8 模型在 Sintel Clean 和 Final 上分别达到 6.29 和 7.13 的 EPE。
除了光流基准测试，作者还将该 INT8 模型应用于纯光流的单目视觉里程计任务，在 TartanAir 和 UZH-FPV 数据集上进行评估。在总共 11 个序列中，该模型在 7 个序列上取得了最低的轨迹误差，展示了其在真实边缘机器人应用中的潜力。论文共 9 页，包含 5 幅图和 4 张表，提供了完整的实验细节和对比分析。