光学フロー用に、コンパクトかつ効果的なCNNモデルであるPWC-Netを提案する。PWC-Netは、単純かつ確立された原則に基づいて設計されている：ピラミッド処理、ワーピング、およびコストボリュームの利用。学習可能な特徴ピラミッドの枠組みで構成されるPWC-Netは、現在の光学フロー推定値を用いて、2番目の画像のCNN特徴をワープする。その後、ワープされた特徴と1番目の画像の特徴を用いてコストボリュームを構築し、そのボリュームをCNNで処理して光学フローを推定する。PWC-Netは、最近のFlowNet2モデルと比較して、サイズが17分の1にまで小型化され、学習がより容易である。さらに、MPI Sintel final passおよびKITTI 2015のベンチマークにおいて、これまでに発表されたすべての光学フロー手法を上回る性能を達成しており、Sintel解像度（1024×436）の画像に対して約35fpsで実行可能である。本モデルは、https://github.com/NVlabs/PWC-Net にて公開されている。