La detección de objetos de saliencia en videos es uno de los problemas de investigación clásicos en visión por computadora, sin embargo, los trabajos existentes rara vez se centran en el impacto de la calidad de entrada en el rendimiento del modelo. Dado que el flujo óptico es una entrada clave para los modelos de detección de saliencia en videos, su calidad afecta significativamente el rendimiento del modelo. Los modelos tradicionales de flujo óptico solo calculan el flujo óptico entre dos cuadros de video consecutivos, ignorando el estado de movimiento de los objetos durante un período de tiempo, lo que lleva a un flujo óptico de baja calidad y a un rendimiento reducido de los modelos de detección de objetos de saliencia en videos. Por lo tanto, este documento propone un nuevo modelo de flujo óptico que mejora la calidad del flujo óptico al expandir el rango de percepción del flujo y utiliza un flujo óptico de alta calidad para mejorar el rendimiento de los modelos de detección de objetos de saliencia en videos. Los resultados experimentales en los conjuntos de datos muestran que el modelo de flujo óptico propuesto puede mejorar significativamente la calidad del flujo óptico, con los valores S-M en el conjunto de datos DAVSOD aumentando aproximadamente en un 39%, 49% y 44% en comparación con modelos de flujo óptico como PWCNet, SpyNet y LFNet. Además, experimentos que ajustan finamente el modelo de referencia LIMS demuestran que mejorar la calidad de entrada puede mejorar aún más el rendimiento del modelo.