通过深度学习与几何运动模型融合实现野生环境中的零样单目运动分割

在未知相机运动、多样化物体运动和复杂场景结构下，从单目移动相机检测和分割运动目标具有挑战性。大多数现有方法仅依赖单一运动线索进行分割，面对不同复杂环境时往往不足。虽然部分近期基于深度学习的方法能够组合多种运动线索以提高精度，但高度依赖大规模数据集和广泛标注，限制了在新情境中的适用性。为此，我们提出一种新型单目密集分割方法，以零样方式实现最先进的运动分割效果。该方法通过在目标提案上进行几何模型融合，协同利用深度学习和几何模型融合方法的优势。实验表明，我们的方法在多个运动分割数据集上取得竞争成绩，甚至在某些基准测试中超越了部分有监督方法，同时无需任何训练数据。我们还进行消融实验，展示了组合不同几何模型进行运动分割的有效性，凸显了几何模型融合策略的价值。