時間的一貫性は、光学フロー推定の文脈において貴重な情報源です。しかし、この情報を活用するための適切な運動モデルを見つけることは容易ではありません。本論文では、各フレームに対して個別の運動モデルを推定する畳み込みニューラルネットワーク（CNN）に基づく非監督オンライン学習アプローチを提案します。前向きと後ろ向きの運動を関連付けることで、これらの学習モデルは後ろ向きフローに基づいて有用な運動情報を推論するだけでなく、信頼性のある予測が特に役立つオクルージョンでの性能向上にも貢献します。さらに、我々の学習モデルは空間的に変動するため、構造上非剛体運動を推定することができます。これにより、最近の剛性に基づくアプローチがステレオ/SfM制約を追加することで推定精度を向上させようとする主な制限要因を克服できます。実験結果は我々の新しいアプローチの有用性を示しています。基線となる予測なしの手法と比較して、主要なベンチマーク（KITTI 2012, KITTI 2015, MPI Sintel）で一貫して最大27%の改善が見られただけでなく、非剛体運動が最も多く含まれるMPI Sintelベンチマークでもトップクラスの結果を達成しています。