本文详细调研了现实应用中使用的背景减除的真实挑战，现有的背景模型并提供了未来的研究方向。
Jan, 2019
针对移动拍摄视频中背景难以识别的问题，本文提出了一种基于多层结构的在线背景减除算法框架，将多前景物体建模并赋予拥有独立处理层，同时采用贝叶斯滤波框架推断概率图，并用马尔科夫随机场上的多标签图割算法进行像素级分割，取得了优于现有技术的结果。
Sep, 2017
本文通过使用混合高斯模型和无监督的 EM 算法，提出了一种基于像素分类的背景减法方法，并应用于交通监控中，取得了较好的车辆识别和跟踪效果。
Feb, 2013
本文提出了一种基于高斯混合模型 (MoG) 的在线背景消除方法，该方法使用了一种特殊的 MoG 混合模型对每一帧的前景进行建模，并通过前一帧的前景 / 背景知识对 MoG 混合模型进行规范化。此外，本文还嵌入了仿射变换操作符来适应各种视频背景变换，并通过子采样技术来实现实时视频处理。与现有的在线和离线背景消除方法相比，实验表明，所提出的方法具有优越性能。
May, 2017
该研究提出了一种基于空时正则化的张量稀疏 RPCA 算法，用于精确的视频背景减除，并在六个公开数据集上进行了实验证明其相比现有方法具有卓越的性能。
Sep, 2023
本文提出了使用深度卷积神经网络的新型背景减除系统，通过从数据中训练单个 CNN 来处理各种视频场景的学习，从而避免了特征工程和参数调整，同时提出了一种新的从视频中估计背景模型的方法。经过不同数据集的评估，我们的方法相对于其他算法在不同的评估指标上具有更好的性能，并且由于网络架构，我们的 CNN 能够实时处理。
Feb, 2017
针对实际情况中真实背景模型不可用的问题，该篇论文提出了一种低计算和内存需求的用于静态背景估计的顺序技术，并将图像序列进行分块分析，实验结果显示与之前的中值过滤和 “稳定强度区间” 方法相比有较优的背景估计效果，结合前景分割算法可以使前景分割效果更好。
Mar, 2013
本文提出了一种基于超像素运动检测的鲁棒背景初始化方法，旨在通过利用空间和时间特征来消除前景对象并生成可靠的背景候选项以实现图像分割。实验表明，该方法在速度方面具有优势，并可在复杂的动态场景下生成最佳结果，从而证明了它对各种挑战的鲁棒性。
May, 2018
通过将高斯混合模型（GMM）分解为自适应的高斯卡斯凯德（CoG），提出了一种改进前景背景分类的算法，实现了 4-5 倍的加速和 17％平均精度提高，同时在卷积变分自动编码器（VAE）的图像表示中展示了 CoG 的优势。
本文提出了一种基于实时语义分割的新型背景减除定义，其由传统的背景分割器和实时语义分割器组成，并在 CDnet 数据集上评估，达到了同类无监督背景减除方法的最优表现，甚至优于某些基于深度学习的有监督算法，并且具有潜在的泛化能力。
Nov, 2018