Nous présentons un modèle CNN compact mais efficace pour le calcul du flux optique, appelé PWC-Net. Conçu selon des principes simples et bien établis — traitement pyramidal, déformation (warping) et utilisation d’un volume de coût —, PWC-Net intègre une pyramide de caractéristiques apprenable. Il utilise l’estimation actuelle du flux optique pour déformer (warp) les caractéristiques CNN de la deuxième image. Ensuite, il construit un volume de coût à partir des caractéristiques déformées et des caractéristiques de la première image, que le réseau convolutif traite pour estimer le flux optique. PWC-Net est 17 fois plus petit que le modèle récent FlowNet2, et plus facile à entraîner. De plus, il surpassé toutes les méthodes publiées de calcul du flux optique sur les benchmarks MPI Sintel (phase finale) et KITTI 2015, tout en fonctionnant à environ 35 fps sur des images de résolution Sintel (1024×436). Nos modèles sont disponibles à l’adresse suivante : https://github.com/NVlabs/PWC-Net.