本文提出一种基于像素几何和物体运动模型的运动预测方法，通过将图像分为运动一致的区域并利用深度构建最佳匹配的流场基础来减少从单个图像重建流场的不确定性，并在场景结构和物体运动建模方面取得了最新的结果，同时对预测深度图的评估显示出可靠的单眼深度估计性能。

Jul, 2023

本文提出了一种基于神经网络的视频分割方法，用于区分视频帧中独立运动的物体，并利用对象运动、外观和时间一致性等多个信息源，通过对数据进行训练得到模型，经过评估表明该模型在 DAVIS、Freiburg-Berkeley 运动分割数据集和 SegTrack 等数据集上表现良好。

Dec, 2017

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

通过光流作为解释运动信号的底层信号，将移动信息与外观信息相结合，提出一种基于学习的 Spatio-Temporal Grouping 方法，成功地应用于封闭前景物体个体的分割的问题。

Feb, 2019

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

本文提出了一种通过前景运动聚类来为目标发现提供密集分割掩模的方法，利用像素轨迹循环神经网络学习前景像素轨迹的特征嵌入，并通过对像素轨迹进行聚类建立视频帧之间前景对象掩模之间的对应关系，在常用的运动分割数据集上实现了最新的性能表现。

Dec, 2018

使用自监督特征和对抗训练，提出了一种无监督目标分割方法 MOVE。该方法在多个评估数据集上实现了无监督显著对象检测和分割的 SotA 表现，单目标发现的 CorLoc 平均提高了 7.2％，无监督类别不可知的对象检测的相对 AP 平均提高了 53％。

Oct, 2022

本研究介绍了一种基于运动线索的分割方法，使用 Transformer 网络结构，采用自我监督的方法进行训练，结果在公共基准测试中表现优异，证明在现有视频分割模型中，对于运动线索的重要性，以及对视觉外观存在潜在偏差的可能性。

Apr, 2021

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

我们提供了一种基于运动线索的半监督目标检测方法，结合启发式聚类方法和物体跟踪器，使用运动物体的伪标签作为监督信号，在 Lidar 数据中训练三维物体检测器。我们通过利用场景流估计中的最新进展获取点轨迹，并从中提取长期的、与类别无关的运动模式。通过在信息传递网络的上下文中重新思考相关聚类，我们学习将这些运动模式分组以聚类点到物体实例。通过估计物体的完整范围，我们获得每个扫描的三维边界框，并用它们来监督 Lidar 物体检测网络。我们的方法不仅优于先前的启发式方法（57.5 AP，相比之前的方法提高了 14 个百分点），更重要的是，我们证明了可以在不同数据集上使用伪标签训练目标检测器。

Feb, 2024