Jun, 2019

事件相机实现高速和高动态范围视频

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 从事件相机到视频：将现代计算机视觉引入事件相机

    研究使用成熟的计算机视觉技术对从事件数据中重建的视频进行对象分类和图像重建，从而充分发挥事件相机的优异特性。

    Apr, 2019

  • 学习从事件中超分辨强度图像

    该研究提出一种基于事件流的端到端神经网络，能够从低空间分辨率的事件摄像头中重建出高分辨率，高动态范围的图像，优于现有同类算法，可通过使用主动传感像素框架或迭代重建图像方法进一步扩展。

    Dec, 2019

  • 视频转事件：为事件相机回收视频数据集

    本文提出了一种利用现有的传统相机记录的视频数据生成虚拟事件数据的方法，从而使得神经网络能够使用大量的现有数据集进行训练，从而在物体识别和语义分割领域取得了良好的效果。

    Dec, 2019

  • EventSR: 通过端到端的对抗学习, 从异步事件到图像重建、修复和超分辨率

    本文提出了一种基于事件流的、重建低分辨率图像、提高图像质量并提高分辨率的新方法——EventSR。该方法是基于非监督式对抗学习的，对缺乏真实高分辨率图像的情况下进行重建，并利用了包括真实和模拟场景在内的数据集来提高网络性能。实验结果表明，EventSR可以在仿真和实际数据场景下从事件中重建出高质量的高分辨率图像。

    Mar, 2020

  • 降低事件相机的模拟到现实差距

    本文介绍了一种用于提高事件基于CNNs的训练数据的策略，可为视频重建网络和光流网络带来20-40％的性能提升，并提出了一种新的高质量数据集HQF以解决事件基于视频重建缺乏质量地真实图像的问题。

    Mar, 2020

  • 回归事件基础：通过光度恒定实现事件相机图像重建的自我监督学习

    该论文通过自监督学习，将基于事件相机的图像强度重构问题与光流估计相结合，避免了需要真实数据的问题，并提出了一种轻量化的神经网络，以实现快速推理和高精度的光流估计。

    Sep, 2020

  • 使用100万像素事件相机学习物体检测

    本文介绍了一种基于事件相机的物体检测任务的解决方案，包括了首个高分辨率大规模数据集的发布、一种新的递归架构和一种时间一致性损失函数，这些对于更好的训练结果至关重要，而且在需要高动态范围，低延迟且具有挑战性的光照条件的情况下比传统的基于帧的解决方案更加高效而准确。

    Sep, 2020

  • EVREAL: 事件驱动视频重建的全面基准和分析套件

    本文提出了 EVREAL 框架，并针对当前事件感知视觉领域中的基于深度学习的视频重建方法进行了统一的评价，旨在为不同的方法提供比较基础和统一的评价标准，提供对这些方法在不同场景下，挑战性场景和下游任务下性能的宝贵见解。

    Apr, 2023

  • 重新审视基于事件的视频帧插值

    利用动态视觉传感器或事件相机进行视频帧插值，结合RGB信息的事件引导光流细化策略和分阶段的中间帧合成策略，可以获得比先前的视频帧插值方法更可靠和更真实的中间帧结果。

    Jul, 2023

  • EventHDR：从事件到高速HDR视频及其扩展

    本研究解决了现有事件相机在重建高动态范围（HDR）视频时面临的非现实伪影和帧率不足的问题。提出了一种递归卷积神经网络，利用关键帧引导来减小稀疏事件数据导致的误差累积，并开发了新的光学系统以收集配对的高速HDR视频和事件流数据集。实验表明，该方法能够生成高质量的高速HDR视频，并在跨相机重建和计算机视觉任务中展现潜力。

    Sep, 2024