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

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。

May, 2017

提出了一种在较为复杂的情况下学习和维护一组动态纹理模型的背景减除方法，在多个复杂场景的实验中，表现优于其他前沿的背景减除算法。

Feb, 2015

提出一种新的稳健 PCA 方法，用于自由移动相机视频的前景背景分离，可处理可能的稠密和稀疏污染。该方法可以注册受损视频的帧，然后将由相机运动引起的透视差异编码为全局模型中的缺失数据。我们将已注册的视频建模为低秩成分，平滑成分和稀疏成分的总和。该方法在实践中已经表现出卓越的表现。

Dec, 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

该研究提出了一种利用生成模型和自监督损失函数训练的 DeFMO 方法，在仅有单张图像和背景估计的情况下，以高速相机的子帧形式输出物体在各个位置的外观和运动状态，实现了 temporal super-resolution，效果优于现有技术并适用于真实数据。

Dec, 2020

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

本研究提出了一种背景擦除方法，通过自监督学习强制把加入静态帧后的干扰视频特征和原视频特征拉近，从而有效减弱模型对背景的依赖，更加关注运动变化，实现对深度神经网络视频表征能力的提升。

Sep, 2020

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

本文提出了一种使用自编码器模拟场景背景的低维流形，通过与原始图像进行对比实现前景 / 背景分割，自编码器同时用于预测背景噪音，从而计算每一帧的像素相关阈值进行前景分割。该模型在 CDNet 2014 和 LASIESTA 数据集上超越了现有技术，且能够在某些非视频图像数据集上实现背景重构。

Dec, 2021