Wir vergleichen und analysieren systematisch eine Reihe zentraler Komponenten im unsupervised Optical Flow, um festzustellen, welche photometrische Verlustfunktion, welche Behandlung von Verdeckungen und welche Glättungsregularisierung am effektivsten sind. Parallel hierzu entwickeln wir mehrere neuartige Verbesserungen für unsupervised-Flow-Modelle, darunter die Normalisierung des Cost-Volumes, das Unterbrechen des Gradienten am Verdeckungsmasken, die Förderung von Glättung vor der Upsampling-Phase des Flussfeldes sowie kontinuierliche selbstüberwachte Lernstrategien durch Bildgrößenanpassung. Durch die Kombination der Ergebnisse unserer Untersuchung mit unseren verbesserten Modulkomponenten präsentieren wir eine neue unsupervised-Flow-Technik, die die vorherige unsupervised State-of-the-Art erheblich übertrifft und auf dem KITTI-2015-Datensatz vergleichbare Leistung wie das überwachte FlowNet2 erreicht – gleichzeitig jedoch deutlich einfacher als verwandte Ansätze ist.