Les approches d'apprentissage profond pour l'estimation du flot optique ont connu des progrès rapides ces dernières années. Un trait commun à de nombreux réseaux est qu'ils affinent une estimation initiale du flot soit par plusieurs étapes, soit à travers les niveaux d'une représentation de grossière à fine. Bien que cela conduise à des résultats plus précis, l'inconvénient est une augmentation du nombre de paramètres. En nous inspirant des approches classiques de minimisation de l'énergie ainsi que des réseaux résiduels, nous proposons un schéma d'affinement résiduel itératif (ARI) basé sur le partage des poids, qui peut être combiné avec plusieurs réseaux de base. Il réduit le nombre de paramètres, améliore la précision, ou même atteint les deux objectifs. De plus, nous montrons que l'intégration de la prédiction d'occlusion et de l'estimation bidirectionnelle du flot dans notre schéma ARI peut encore augmenter la précision. Notre réseau complet obtient des résultats d'état de l'art pour l'estimation du flot optique et de l'occlusion sur plusieurs ensembles de données standards.