FlowNetは、光流の推定を学習問題として定式化できることを示した。しかし、光流の品質に関する最先端技術は、依然として従来の手法によって規定されている。特に微小な変位や実世界のデータにおいては、FlowNetは変分法に比べて競争力に欠ける。本論文では、光流のエンドツーエンド学習の概念をさらに発展させ、実用的な性能を実現した。品質および処理速度の大幅な向上は、以下の3つの主要な貢献によるものである。第一に、学習データに着目し、訓練中にデータを提示するスケジュールが極めて重要であることを示した。第二に、中間的な光流を用いて第二画像をワーピングする構造を含むスタック型アーキテクチャを提案した。第三に、微小な動きに特化したサブネットワークを導入することで、微小変位の処理をさらに精緻化した。FlowNet 2.0は元のFlowNetと比較してわずかに遅延が増えるものの、推定誤差を50%以上低減した。最先端の手法と同等の性能を発揮しつつ、インタラクティブなフレームレートで動作する。さらに、元のFlowNetと同等の精度で最大140fpsまで光流を計算可能な高速版も提案した。