نقدّم نهجًا للتعلم غير المُشرَّف لتقدير التدفق البصري من خلال تحسين عملية التكبير وتعلم الشبكة الهرمية. قمنا بتصميم وحدة تكبير ذاتية التوجيه لمعالجة مشكلة الضبابية الناتجة عن عملية التكبير الخطي بين مستويات الهرم. علاوةً على ذلك، اقترحنا خسارة تَنْقِيَة الهرم لتوفير مراقبة للمستويات الوسطى من خلال استخلاص التدفق الدقيق كتسميات وهمية. وبدمج هذين المكوّنين معًا، حققنا أفضل أداء في التعلم غير المُشرَّف لتقدير التدفق البصري على عدة معايير رائدة، بما في ذلك MPI-Sintel وKITTI 2012 وKITTI 2015. وبشكل خاص، حققنا خطأ متوسطًا مطلقًا (EPE) قدره 1.4 على KITTI 2012 وقيمة F1 بلغت 9.38% على KITTI 2015، ما يفوق الطرق المُتقدمة السابقة بنسبة 22.2% و15.7% على التوالي.