本文介绍了SAMFlow模型，该模型将Segment Anything Model（SAM）的图像编码器嵌入FlowFormer，旨在解决光流估计中的片段化问题，并在多个数据集上表现优异。此外，研究还探讨了基于运动线索的分割方法和无监督视频对象分割，显示出在视频分割任务中的显著优势。

无监督视频对象分割任务旨在检测视频中最显著的对象。最近的方法使用光流图和RGB图像提取的线索。为了解决运动线索干扰问题，设计了一种新型网络，将运动线索视为可选项。通过随机提供RGB图像而不是光流图进行网络训练，降低了网络的运动依赖性。该方法在公共基准数据集上具有最先进的性能，且实时推理速度快。

该文章介绍了一种新型的多任务学习系统，将外观和运动线索相结合，以更好地对环境进行语义推理。该系统使用联合车辆检测和运动分割的统一架构，并在KITTI数据集上评估了该方法。结果表明，在运动检测任务上的性能优于其他利用运动线索方法21.5％，在通用物体分割任务上表现与现有的无监督方法相当。此外，运动分割与车辆检测的联合训练有益于运动分割。

该文介绍了一种新型的无监督视频对象分割方法，利用外观和运动线索检测视频中最显著的对象。该方法设计了一种新型运动作为选项网络，并提出了自适应输出选择算法。在所有公共基准数据集上具有最先进的性能，保持实时推理速度。