شهدت الطرق العميقة لتقدير التدفق البصري تقدماً سريعاً على مدى السنوات الأخيرة. من بين الخصائص الشائعة للكثير من الشبكات أنها تحسن تقدير التدفق الأولي إما عبر مراحل متعددة أو عبر مستويات تمثيل خشن إلى دقيق. بينما يؤدي هذا إلى نتائج أكثر دقة، فإن الجانب السلبي هو زيادة عدد المعلمات. مستوحين من النهج التقليدية للحد من الطاقة وكذلك الشبكات المتبقية، نقترح مخطط تكرار التحسين المتبقى (IRR) القائم على مشاركة الأوزان والذي يمكن دمجه مع عدة شبكات أساسية. يقلل هذا المخطط من عدد المعلمات، ويحسن الدقة، أو حتى يحقق كلاهما. علاوة على ذلك، نظهر أن دمج التنبؤ بالإغلاق وتقدير التدفق الثنائي الاتجاه في مخطط IRR الخاص بنا يمكن أن يعزز الدقة بشكل أكبر. تحقق شبكتنا الكاملة أفضل النتائج الحالية لكل من تقدير التدفق البصري والتنبؤ بالإغلاق عبر عدة قواعد بيانات قياسية.