使用未经训练的生成器网络进行潜在空间解耦以分离视频数据中的不同运动类型
Latent-space disentanglement with untrained generator networks for the isolation of different motion types in video data
AI总结：
本文提出一种利用未经训练的生成器网络和最小一维信息的潜在空间解耦技术，直接从单个视频中高效分离高度非线性运动类型，实现运动冻结与独立动态表示。
摘要：
在视频分析中，分离视频数据中的不同运动类型是一个高度相关的问题。例如，在动态医学或生物成像中可以找到相关应用，在这些应用中，对感兴趣动态的分析和进一步处理通常因额外的、不需要的动态（如测量对象的运动）而变得复杂。在这项工作中，通过经验证明，利用未经训练的生成器网络对视频数据进行表示，结合一种使用部分底层动态的最小一维信息的特定潜在空间解耦技术，能够高效地分离不同的、高度非线性的运动类型。具体而言，这种表示能够冻结任意选择的运动类型，并获得其他感兴趣动态的准确独立表示。获得这种表示不需要在训练数据集上进行任何预训练，即生成器网络的所有参数都是直接从单个视频中学习得到的。
英文摘要：
Isolating different types of motion in video data is a highly relevant problem in video analysis. Applications can be found, for example, in dynamic medical or biological imaging, where the analysis and further processing of the dynamics of interest is often complicated by additional, unwanted dynamics, such as motion of the measurement subject. In this work, it is empirically shown that a representation of video data via untrained generator networks, together with a specific technique for latent space disentanglement that uses minimal, one-dimensional information on some of the underlying dynamics, allows to efficiently isolate different, highly non-linear motion types. In particular, such a representation allows to freeze any selection of motion types, and to obtain accurate independent representations of other dynamics of interest. Obtaining such a representation does not require any pre-training on a training data set, i.e., all parameters of the generator network are learned directly from a single video.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
