La segmentation d'objets vidéo non supervisée (VOS), également connue sous le nom de détection d'objets saillants dans les vidéos, vise à détecter l'objet le plus prominent dans une vidéo au niveau des pixels. Récemment, les approches à deux flux qui exploitent à la fois les images RGB et les cartes de flot optique ont attiré une attention considérable. Cependant, la quantité limitée de données d'entraînement reste un défi majeur. Dans cette étude, nous proposons une nouvelle méthode de génération de données qui simule des flots optiques faux à partir d'images uniques, permettant ainsi de créer des ensembles de données d'entraînement à grande échelle pour une apprentissage stable du réseau. Inspirés par l'observation que les cartes de flot optique sont fortement dépendantes des cartes de profondeur, nous générons des flots optiques faux en affinant et en augmentant les cartes de profondeur estimées de chaque image. En intégrant nos paires image-flot simulées, nous obtenons de nouvelles performances record sur tous les jeux de données基准数据集 (benchmark datasets) publics sans recourir à des modules complexes. Nous croyons que notre méthode de génération de données représente une potentielle avancée majeure pour les futures recherches en VOS.注：在最后一句中，“基准数据集”被翻译为“jeux de données benchmark”，并在括号中标注了原文以确保信息完整。