通过生成虚假光流改进无监督视频对象分割

无监督视频对象分割（VOS），也称为视频显著对象检测，旨在在像素级别检测视频中最突出的对象。近年来，利用RGB图像和光流图的双流方法受到了广泛关注。然而，训练数据的有限性仍然是一个重大挑战。在本研究中，我们提出了一种新颖的数据生成方法，通过从单个图像模拟假光流图来创建大规模训练数据，以实现网络学习的稳定性。受光流图与深度图高度相关这一观察结果的启发，我们通过改进和增强每个图像的估计深度图来生成假光流图。通过引入我们模拟的图像-光流对，我们在所有公开基准数据集上实现了新的最先进性能，而无需依赖复杂的模块。我们认为，我们的数据生成方法为未来的VOS研究带来了潜在的突破。