视频场景解析综述：进展、挑战与展望
计算机视觉与模式识别
2025-06-17 v1
摘要
视频场景解析（VSP）已成为计算机视觉的基石，促进动态场景中多样化视觉实体的同时分割、识别与跟踪。在本综述中，我们对VSP的最新进展进行了全面回顾，涵盖广泛的视觉任务，包括视频语义分割（VSS）、视频实例分割（VIS）、视频全景分割（VPS），以及视频跟踪与分割（VTS）和开放词汇视频分割（OVVS）。我们系统地分析了从传统手工特征到现代深度学习范式的演变——涵盖从全卷积网络到最新的基于Transformer的架构——并评估其在捕获局部和全局时间上下文方面的有效性。此外，我们的综述批判性地讨论了技术挑战，包括保持时间一致性到处理复杂场景动态，并提供了一个关于塑造当前基准标准的数据集和评估指标的全面比较研究。通过提炼最先进方法的关键贡献与不足，本综述突出了新兴趋势和有前景的研究方向，这些方向有望进一步提升VSP在真实世界应用中的鲁棒性和适应性。
引用
@article{arxiv.2506.13552,
title = {A Comprehensive Survey on Video Scene Parsing:Advances, Challenges, and Prospects},
author = {Guohuan Xie and Syed Ariff Syed Hesham and Wenya Guo and Bing Li and Ming-Ming Cheng and Guolei Sun and Yun Liu},
journal= {arXiv preprint arXiv:2506.13552},
year = {2025}
}