Die unüberwachte Video-Segmentierung spielt eine wichtige Rolle in einer Vielzahl von Anwendungen, von Objekterkennung bis hin zur Kompression. Allerdings stellen schnelle Bewegungen, Bewegungsunschärfe und Verdeckungen bis heute erhebliche Herausforderungen dar. Um diese Herausforderungen bei der unüberwachten Video-Segmentierung zu bewältigen, entwickeln wir eine neuartige Technik zur Salienzschätzung sowie einen neuartigen Nachbarschaftsgraphen, der auf optischem Fluss und Kantendetektion basiert. Unser Ansatz führt zu erheblich besseren anfänglichen Vordergrund-Hintergrund-Schätzungen und deren robusten sowie genauen Diffusion über die Zeit. Wir evaluieren unseren vorgeschlagenen Algorithmus anhand der anspruchsvollen DAVIS-, SegTrack v2- und FBMS-59-Datensätze. Trotz der Verwendung eines standardmäßigen Kantendetektors, der auf 200 Bildern trainiert wurde, erreicht unsere Methode Stand-des-Wissens-Ergebnisse und übertrifft tiefenlernenbasierte Methoden im unüberwachten Szenario. Wir zeigen sogar wettbewerbsfähige Ergebnisse, die mit tiefenlernenbasierten Methoden vergleichbar sind, im semi-unüberwachten Szenario am DAVIS-Datensatz.