带立体事件相机的半稠密三维重建
使用事件相机,提出了一种解决仅使用单个事件相机进行密集三维重建的新方法,结果显示该方法无需使用现有方法的流水线即可直接生成可视化区分的密集三维重建,同时创建了一个使用事件相机模拟器生成的合成数据集,加速了相关研究。
Sep, 2023
使用基于事件的相机进行视觉定位,通过几何三维到二维的映射和极性感知的注册方法实现高可靠性和准确性的多模态跟踪,同时引入新的遮挡点筛选策略提高追踪器的速度和鲁棒性。
Jan, 2024
本文提出了一种使用事件相机实现实时的视觉里程计的解决方案,其中包括基于视觉一致性的立体事件数据融合的半密集三维场景重建以及通过选定的地图和事件数据表示解决的姿态恢复问题。该系统成功利用事件相机的优势,在高速和大动态范围场景下进行视觉里程计,并在标准 CPU 上以实时运行,已在公开数据集和作者的数据集上进行了测试。
Jul, 2020
本文提出了一种新的基于事件的方法,用于 3D 姿态估计和人体网格恢复,通过移动事件相机,通过衰减光线雕刻 3D 体素,重建人体姿态和网格,并拟合统计身体模型,实验结果表明该方法在姿态和身体网格估计精度方面优于传统基于帧的方法。
Apr, 2024
本文介绍了事件相机及其与传统图像传感器的区别,讨论了基于学习的方法如何应用于事件数据,提出了使用循环架构来预测单眼深度的新方法,并在 CARLA 模拟器数据集上进行了预训练并在 MVSEC 上进行了测试,结果表明平均深度误差减小了 50%。
Oct, 2020
本文介绍了一个新的被动感知方式 —— 事件相机,可以完成多种 3D 感知任务,并提供了一个涵盖各种环境和照明水平的大型数据集,包括了事件流、灰度图像和 IMU 读数,并提供了真确的姿势和深度图像。同时还提供了来自基于框架的立体相机系统的同步灰度图像和 IMU 读数的比较。
Jan, 2018
本文介绍了使用适应性选择事件窗口中的信息形成运动补偿图像来重建场景以及估计相机的 6-DOF 姿态,并提出了一个惯性版本的仅事件流水线,以评估其性能。通过对两个公开事件数据集的序列的不同配置的结果与基准进行比较,本文证明了所提出的事件惯性流水线可以产生相当或更准确的结果,前提是地图估计可靠。
Jan, 2023
本文提出了一种使用循环网络从事件流中直接学习重建图像的方法,并在此基础上扩展到从事件流合成彩色图像的方法,实验证明该网络在处理高速现象和挑战性照明条件下具有较好的图像质量和高动态范围重建,并作为事件数据的中间表示进行了分类和视觉惯性积分导航等应用。
Jun, 2019
本论文介绍了基于事件相机和神经网络的三维形状重建方法,通过事件到轮廓 (E2S) 神经网络模块和三维可微分渲染器 (PyTorch3D) 来实现视图间的一致性和微调,同时介绍了一种基于公开数据集的三维 - 事件模拟管线来生成监督学习的训练对。
Dec, 2020