利用视频中的运动先验来改善人体分割
通过结合人体运动先验知识和场景特征，提出了一种估计全局场景下人体运动的联合优化框架，该方法在人体和相机运动估计方面相较于现有方法有显著的改进。
Oct, 2023
本研究提出了两种新方法来利用运动先验，以提升交通视频对象检测的性能，包括在全监督设置中利用运动先验引导时间信息整合的自注意力模块以及利用运动先验开发伪标签机制消除半监督设置下的嘈杂伪标签。这两种基于运动先验的方法表现出卓越的性能，相较于现有最先进方法在 mAP 方面取得 2% 的较大优势。
Nov, 2023
本文提出了一种学习人类动作运动先验的框架，其中包括全局方向归一化、两级频率指导和去噪训练等步骤，可以生成一致且可区分的表达，并嵌入到流行的模型中提高其多样性和有效性。
Nov, 2021
通过将运动先验以对抗的方式整合进来，本文针对神经网络模型在人体姿态回归中要求对身体运动先验的作用进行了探索和研究，并证明了该算法在 3D 领域中具有较高的鲁棒性和准确性。
May, 2023
本文提出一种融合基于运动和外观的分割方法，利用预测简单运动模式区域对图像分割网络进行监督，使其具备检测和学习静止物体的能力。通过实验发现该方法不仅在无监督视频分割领域表现出色，而且能够适用于包含新颖物体的静态图像分割领域，同时还能够处理多种运动模型和光流基准的影响。
May, 2022
该论文提出了一种新的无需人工干预的多物体图像分割方法，该方法可以从静止图像中提取物体，但使用视频进行监督学习，其关键洞察是预测可能包含运动模式的图像区域，超越了测试时间使用运动的方法，在模拟和真实世界基准上显示出最先进的无监督目标分割性能。
Oct, 2022
通过对视频场景内容及动态规律、语义等方面的先验知识进行分析和预处理，提出一种利用贝叶斯网络解决视频不同场景中的移动轨迹问题的方法，并在实验中证明了其有效性。
Mar, 2016
通过采用不同的运动表示方法，我们引入了一种可同时学习前景和背景动力学的技术，该技术通过把它们的运动分离开来。我们的模型在真实世界的视频训练中生成了前景和背景动作之间协调的视频，并通过引入全局特征来扩展视频生成到更长的序列，以确保平滑的连续性。这种方法在产生展示前景动作和反应背景动态的视频方面优于之前的方法。
May, 2024
本文介绍了一种基于无监督学习的视觉特征提取方法，采用运动分割技术自动从视频中得到图像分割信息进行卷积神经网络训练，结果在涉及少量目标训练样本的场景下显著优于现有无监督学习方法。
Dec, 2016
提出了一种简单而有效的方法，通过利用与自动驾驶相关的时序数据的图像先验来改善语义分割准确性，该方法采用先验融合网络来学习先前图像的特征，最终将具体应用于提高场景理解。
Oct, 2019