Die Schätzung des Szenenflusses bestimmt das 3D-Bewegungsfeld einer Szene, indem sie die Bewegung von Punkten in der Szene vorhersagt, insbesondere zur Unterstützung von Aufgaben im autonomen Fahren. Viele Netzwerke, die große Punktwolken als Eingabe verwenden, nutzen die Voxelisierung, um ein Pseudo-Bild für die Echtzeit-Ausführung zu erstellen. Allerdings führt der Voxelisierungsprozess oft zu einem Verlust punktspezifischer Merkmale. Dies stellt eine Herausforderung dar, diese Merkmale für Szenenflussaufgaben wiederherzustellen. In unserem Paper stellen wir DeFlow vor, das einen Übergang von vorkelldatenbasierten Merkmalen zu Punktmerkmalen durch eine Verfeinerung mit Gated Recurrent Units (GRUs) ermöglicht. Um die Leistung der Szenenfluss-Schätzung weiter zu verbessern, formulieren wir eine neuartige Verlustfunktion, die das Datenungleichgewicht zwischen statischen und dynamischen Punkten berücksichtigt. Auswertungen anhand der Argoverse 2 Szenenfluss-Aufgabe zeigen, dass DeFlow den aktuellen Stand der Technik bei großen Punktwolken-Daten erzielt und damit bessere Leistung und Effizienz als andere Netze aufweist. Der Code ist unter https://github.com/KTH-RPL/deflow öffentlich zugänglich.