ESL: 基于事件的结构光
通过将格雷码引入事件式结构光系统,我们采用了一种高速、准确的深度估计方法,充分利用传感器带宽,实现了与最先进的扫描方法相媲美的精确度,并在数据采集速度上超越它们(提高了多达 41 倍),而不牺牲准确性。我们的方法为超高速、实时和高精度的深度估计提供了极有前景的解决方案,代码和数据集将公开提供。
Mar, 2024
本篇论文提出一种从由立体事件相机拍摄的数据中进行三维重建的方法,该方法包括优化能量函数和概率深度融合策略,并且无需对相机拍摄的场景进行先验知识。实验表明,该方法能够处理纹理丰富和稀疏场景,并优于基于事件数据图像表示的最新立体方法。
Jul, 2018
介绍了事件相机技术的工作原理,可用传感器和任务,包括低级视觉和高级视觉,并讨论了处理事件的技术,特别是基于学习的技术和专门为这些传感器设计的处理器,如脉冲神经网络,同时提出了待解决的挑战和未来机器感知及与世界互动的新机遇。
Apr, 2019
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
本研究论文提出一种新颖的基于事件的结构光系统,能够以高精度快速地对反射率混合场景进行三维成像。通过使用内在的对物体反射进行分解的极线约束,重建了场景中的漫反射对象,并且通过偏折测量评估了景物的镜面反射部分。所得到的系统能够以较高精度(小于 500μm)和快速(每秒 14 帧)的方式对反射率混合场景进行重建,同时还引入了适用于三维测量漫反射场景的 “超快速” 捕获模式(每秒 250 帧)。
Nov, 2023
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
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
本文提出了一种可解释的网络,即基于事件增强的稀疏学习网络 (eSL-Net),用于从事件相机中恢复高质量图像,并通过稀疏学习框架共同考虑事件和低分辨率强度观测,经过合成数据集的训练,可以将表现提高 7-12dB,在不需要额外训练的情况下,可以轻松扩展到具有与事件相同高帧率的连续帧的生成。
Jul, 2020