高效能光流網路在資源受限的邊緣加速器上部署面臨顯著困難，主要原因在於其迭代細化過程需要根據當前光流對特徵進行形變（warp），這引入了流依賴的重取樣和資料依賴的記憶體訪問模式，難以高效編譯和量化。針對這一瓶頸，Xiao'ao Song 和 Chahat Deep Singh 提出了 TinyFlow，一種僅包含 126 萬引數的無形變光流網路，該論文於 2026 年 10 月 23 日提交至 arXiv（編號 2610.33338），屬於機器人學（cs.RO）與計算機視覺（cs.CV）交叉領域。
TinyFlow 的核心創新是用固定視窗相關（fixed-window correlation）替代傳統的形變操作。具體而言，網路在恆定偏移量上計算相關性，而不是根據當前光流估計動態取樣特徵。這樣既保留了迭代的由粗到細細化機制，又徹底消除了形變帶來的資料依賴記憶體訪問。得益於此，整個網路可以編譯為單一的靜態 INT8 計算圖，極大簡化了在邊緣硬體上的部署流程。
為了彌補從 Float32 到 INT8 的精度損失，作者採用了三項技術：量化感知微調、形變教師蒸餾以及模型湯（model souping）。這些方法共同將量化後的端點誤差（EPE）懲罰控制在 MPI-Sintel 資料集上低於 0.2。實驗結果表明，TinyFlow 在 Sintel Clean、Sintel Final 和 FlyingChairs 三個基準上，無論 Float32 還是 INT8 精度，均優於 EdgeFlowNet 和 NanoFlowNet。同時，TinyFlow 的引數數量比 EdgeFlowNet 少 54%。其 INT8 模型在 Sintel Clean 和 Final 上分別達到 6.29 和 7.13 的 EPE。
除了光流基準測試，作者還將該 INT8 模型應用於純光流的單目視覺里程計任務，在 TartanAir 和 UZH-FPV 資料集上進行評估。在總共 11 個序列中，該模型在 7 個序列上取得了最低的軌跡誤差，展示了其在真實邊緣機器人應用中的潛力。論文共 9 頁，包含 5 幅圖和 4 張表，提供了完整的實驗細節和對比分析。