Nous présentons une approche d’apprentissage non supervisé pour l’estimation du flux optique, en améliorant le processus de redimensionnement et l’apprentissage au sein d’un réseau pyramidale. Nous proposons un module de redimensionnement auto-guidé afin de résoudre le problème de flou d’interpolation causé par le redimensionnement bilinéaire entre les niveaux pyramidaux. Par ailleurs, nous introduisons une perte de distillation pyramidale, qui fournit une supervision aux niveaux intermédiaires en utilisant le flux le plus fin comme étiquettes pseudo-étiquettes. En intégrant ces deux composants, notre méthode atteint les meilleurs résultats dans le cadre de l’apprentissage non supervisé du flux optique sur plusieurs benchmarks de référence, notamment MPI-Sintel, KITTI 2012 et KITTI 2015. En particulier, nous obtenons une EPE de 1,4 sur KITTI 2012 et un F1 de 9,38 % sur KITTI 2015, surpassant respectivement les méthodes d’état de l’art précédentes de 22,2 % et 15,7 %.