ビデオ処理の分野において、シングルカメラビデオから3次元運動を効率的に追跡することは、特に長シーケンスのピクセルレベルでの正確な追跡が必要な場合、長年の課題でした。従来の手法は多くの課題に直面しており、多くの場合、少数のキーポイントしか追跡できず、シーン全体の詳細な理解を実現することができませんでした。また、既存技術は計算コストが高く、長尺ビデオ処理時の効率維持が困難です。さらに、長時間トラッキングによってカメラの移動や物体の遮蔽などの問題の影響を受け、トラッキングミスやエラーが発生する可能性があります。現在、ビデオシーケンストラッキングにおけるモーション推定手法にはそれぞれ長所と短所があります。