De nombreuses séquences du monde réel ne peuvent pas être facilement catégorisées comme générales ou dégénérées ; dans de tels cas, imposer une fausse dichotomie en utilisant le modèle de matrice fondamentale ou de homographie pour la segmentation de mouvement entraînerait des difficultés. Même lorsque nous sommes confrontés à un mouvement scénique général, l'approche par matrice fondamentale en tant que modèle de segmentation de mouvement souffre encore de plusieurs défauts, que nous discutons dans cet article. Le plein potentiel de l'approche par matrice fondamentale ne pourrait être pleinement réalisé que si nous utilisons judicieusement les informations provenant du modèle d'homographie plus simple. À partir de ces considérations, nous proposons un cadre de clustering spectral multi-vues qui combine synergieusement plusieurs modèles ensemble. Nous montrons que les performances peuvent être substantiellement améliorées de cette manière. Nous effectuons des tests approfondis sur des jeux de données existants en matière de segmentation de mouvement, obtenant des performances d'état de l'art sur tous ; nous présentons également un jeu de données plus réaliste et difficile adapté du benchmark KITTI, contenant des effets du monde réel tels que des perspectives fortes et des translations avant importantes non présents dans les jeux de données traditionnels.