Tieflernalgorithmen zur Schätzung des optischen Flusses haben in den letzten Jahren rasche Fortschritte gemacht. Ein gemeinsames Merkmal vieler Netzwerke ist, dass sie eine anfängliche Fluss-Schätzung entweder durch mehrere Stufen oder über die Ebenen einer grob-zu-feinen Darstellung verfeinern. Obwohl dies zu genaueren Ergebnissen führt, hat der Nachteil dieser Ansätze eine erhöhte Anzahl von Parametern. Inspiriert von klassischen Energieminimierungsverfahren sowie Residualnetzwerken schlagen wir ein iteratives residuelles Verfeinerungsverfahren (IRR) vor, das auf Gewichts-Teilung basiert und mit verschiedenen Backbone-Netzwerken kombiniert werden kann. Es reduziert die Anzahl der Parameter, verbessert die Genauigkeit oder erreicht sogar beides. Des Weiteren zeigen wir, dass die Integration von Okklusionsvorhersage und bidirektionaler Fluss-Schätzung in unser IRR-Verfahren die Genauigkeit weiter steigern kann. Unser vollständiges Netzwerk erzielt standesüberragende Ergebnisse sowohl für die Schätzung des optischen Flusses als auch für die Okklusionsvorhersage in mehreren Standard-Datensätzen.