Les volumes de coût à mouvement plein jouent un rôle central dans les méthodes d’optique fluide de pointe actuelles. Toutefois, construits à partir de corrélations de caractéristiques simples, ils manquent de capacité à intégrer des connaissances a priori, voire des informations contextuelles à distance. Cela engendre des artefacts dans les régions mal contraintes et ambiguës, telles que les zones occluses ou dépourvues de texture. Nous proposons un module de volume de coût séparable, une substitution directe des volumes de coût par corrélation, qui utilise des couches d’agrégation non locales pour exploiter des indices contextuels globaux et des connaissances a priori, afin de dissiper l’ambiguïté des mouvements dans ces régions. Notre méthode obtient de meilleurs résultats que les méthodes standards sur les benchmarks Sintel et KITTI en termes de précision, et démontre également une meilleure généralisation entre données synthétiques et données réelles.