一种基于视网膜的纹理重建采样方法
通过使用脉冲相机设计的由 Spike 流重建纹理(TfS)损失函数来提高以神经辐射场(NeRF)和 3D 高斯喷洒(3DGS)为基础的新视角合成,将可获得尖锐的场景表示,同时降低训练成本。
Apr, 2024
本文介绍了一种用于眼动追踪的神经形态学方法,利用由 Dynamic Vision Sensor(DVS)摄像头捕获的纯事件数据。该方法结合了一个经过直接训练的脉冲神经网络回归模型,并利用了一种先进的低功耗边缘神经形态学处理器 Speck,旨在提高眼动追踪系统的精确度和效率。
Dec, 2023
本文提出了一个双向循环基于重建框架的方法,包括一个强光鲁棒表示(LR-Rep)和融合模块,以更好地处理低光照条件下的场景重建问题。实验证明了该方法的优越性,也在真实的脉冲流中具有很好的泛化性。
Jan, 2024
我们研究了连续脉冲流中的视觉显著性,并提出了一种基于完整脉冲神经网络的循环脉冲转换器框架,通过从连续的时空脉冲流中提取时空特征来实现对二进制脉冲流的有效处理。实验结果表明,我们的循环脉冲转换器框架在捕捉和突出脉冲流中的视觉显著性方面表现出了明显的改进幅度,不仅为基于脉冲的显著性分割提供了新的视角,也展示了全脉冲神经网络的转换器模型的新范式。
Mar, 2024
基于脉冲相机的图像恢复方法,通过建立基于物理的噪声模型,设计具有自适应脉冲变换模块、循环时间特征融合模块和基于频率的脉冲降噪模块的 Recurrent Spike-based Image Restoration (RSIR) 网络,以恢复雨天或昏暗场景下的清晰图像。实验结果表明,该网络在不同光照条件下具有较好的恢复效果。
Aug, 2023
通过基于扩散的生成模型以及维护原始数据的时间分辨率等方法,我们提出了一种创新的事件序列补全方法,发掘事件相机的全部潜力,并生成高质量的密集事件,从而有利于目标分类和强度帧重建。
Jan, 2024
基于人脑中的预测编码模型和期望抑制现象,我们提出了一种时间注意机制,通过控制相机的输出使其仅在无法很好预测的情况下注意到视觉事件,从而不仅减少了传感器 - 处理器接口的能耗,而且通过过滤噪声事件有效地减少了计算工作量,我们证明了这种预测注意机制可将相机和处理器之间的数据通信量减少 46.7%,处理器上的计算活动减少 43.8%。
Feb, 2024
提出了第一个自监督框架来解决基于脉冲引导的运动去模糊任务,通过理论关系和知识蒸馏设计轻量级去模糊网络,生成与原始输入亮度和纹理一致的高质量序列。
Mar, 2024
提出针对神经形态感知相机的人体动作识别和跌倒检测数据集,使用先进视觉模型 Fine-tuned 的方法,各模型准确度分别为:DVS-MViT(0.958),DVS-C2D(0.916),DVS-R2+1D(0.875)和 DVS-SlowFast(0.833)。
Jan, 2022