まず霧の付与の有無の合成画像ペアを用意し、教師あり学習を実行。その後、異なるシーンの霧有無の実画像ペアを用意し、教師なし学習を実行。これを交互に繰り返す。また、霧を除去する・付与する・optical flowを推定するという3つの機能を1つのアーキテクチャに統合し、霧有無の2種類の画像からoptical flowを推定しconsistencyを評価する。cycleGANの思想の独自の応用といえる。

SOTAのPWCNetとFlowNet2を、独自の霧合成画像で再学習し定量的に比較。 KITTIデータセットの画像に霧を付与した独自のvKITTIを用い、SOTAのPWCNetをEPEにおいて0.07ポイント超える。また、実写画像の比較において、FlowNet2を0.40ポイント超える。

実写でoptical flowの教師データを構成することが困難である普遍的な課題に対し、霧という悪条件をさらに追加した上で同時に解決するアプローチを提案した点が、評価のポイントと考えられる。