场景流估计预测了连续激光雷达扫描中每个点的三维运动。这种详细到点级别的信息有助于自动驾驶车辆准确预测和理解周围环境的动态变化。目前最先进的方法需要标注数据来训练场景流网络，而标注的成本固有限制了这些方法的可扩展性。自监督方法可以克服上述限制，但面临两个主要挑战，影响其最优性能：点分布不平衡和忽视物体级运动约束。在本文中，我们提出了一种名为SeFlow的自监督方法，该方法将高效的动态分类集成到基于学习的场景流管道中。我们展示了对静态和动态点进行分类有助于为不同的运动模式设计针对性的目标函数。我们还强调了内部聚类一致性以及正确关联物体点对于细化场景流估计的重要性，特别是在物体细节方面。我们的实时可行的方法在Argoverse 2和Waymo数据集上的自监督场景流任务中达到了最先进水平。代码已开源发布于https://github.com/KTH-RPL/SeFlow，并附带训练好的模型权重。