E-CIR: 事件增强连续强度恢复
本文提出了一种基于事件相机的深度学习方法,通过卷积循环神经网络和可微分方向事件过滤模块整合全局和局部尺度的视觉和时态知识,提取边界先验信息,从而达到了恢复运动模糊图像的最佳质量,适用于真实世界的运动模糊问题。
Apr, 2020
本研究提出了一种称为 “Event-based Double Integral (EDI)” 模型的简单且有效的方法,该模型可通过关联事件数据和潜在图像来重建清晰的高帧率视频。实验结果表明,与现有技术相比,EDI 模型和优化方法表现更卓越。
Nov, 2018
提出了一种异步滤波器,可以将事件摄像机从高速、高动态范围数据中提取的局部时间对比信息,与传统摄像机从低频参考强度信息中提取的信息相融合,以形成一个单一的高时空分辨率图像状态,证明该算法优于现有状态的方法。
Nov, 2018
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
本文利用事件相机记录图像信息的方式,提出了一种端到端的双阶段图像复原神经网络,设计了一个跨模态注意力模块来有效地融合事件与图像特征,同时引入了一种新的对称累积事件表示和事件掩膜门控连接,提出了一个 REBlur 数据集和 EFNet 模型用于事件运动模糊的去除,实验结果表明本文提出的方法优于之前 image-based 方法和所有已有的 public events-based 方法。
Nov, 2021
该论文旨在揭示单个运动模糊图像中连续场景动态的信息,并提出一种基于 IVF 的方法来还原任意时间戳下的图像,同时利用运动和纹理引导监督的方法提高非参考时间戳下的图像清晰度。实验表明,该方法在客观和主观上均优于现有的方法。
Apr, 2023
本研究通过构建新的神经网络结构,使用事件相机实现了高清无暇的图像和视频的生成,并将故障模糊问题转化为残差学习的任务来有效地进行训练。实验结果表明,该方法可以比现有技术更好地还原图像和视频。
Mar, 2020
该研究提出了一种基于事件感知的运动去模糊和帧插值的统一框架,该框架使用事件的超低延迟来缓解运动模糊并实现中间帧预测,后者可通过可学习的双重积分网络和融合网络实现。借助相邻模糊输入和同时发生的事件的信息,进一步提出了自监督学习框架,以实现对真实世界模糊视频和事件的网络训练。大量实验结果表明,该方法在合成和真实世界数据集上均取得了显著的性能优势,是一种有效的去模糊技术方案。
Mar, 2022
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