AAAIMar, 2022

基于事件的动态运动分割的相互增强框架

PDF
TL;DR该研究提出了一种新颖的逐步框架，其中动态视觉传感器 (DVS) 的运动估计 (ME) 模块和事件去噪 (ED) 模块被联合优化，并通过自适应聚类和提取时间相关性来消除 DVS 事件中的背景活动噪声 (BA noise)，实现准确的运动估计，从而胜过现有过滤去噪方法。
发现论文，激发创造
  • 基于事件的移动物体检测与跟踪

    本文提出了一种基于动态视觉传感器的异步相机的新颖跟踪算法，该算法可以在极低光和噪声条件下，无需任何外部传感器，且无需任何特征跟踪或显式光流计算即可检测和跟踪不同移动对象。

    Mar, 2018

  • 室外场景：面向复杂场景的动态事件分割的普适化

    本文介绍了一种基于事件相机的运动分割方法，可以成功应用于复杂的大规模室外环境，采用创新的分而治之流程结合状态理解模块和光流模块，以及基于 Transformer 的时间关注模块进行运动分割，在经典的室内 EV-IMO 基准测试和基于 DSEC 事件数据集的新生成的动态分割和跟踪基准测试中取得了最新的最佳表现。

    Mar, 2024

  • V2CE: 视频到连续事件模拟器

    利用 Dynamic Vision Sensor（DVS）从多个角度进行视频到事件流转换的新方法，并通过严格的验证证明了其当前为最先进技术。

    Sep, 2023

  • EV-SegNet：事件相机的语义分割

    本研究介绍了一种基于深度学习的事件相机语义分割方法，具有比基于灰度图的方法更好的性能，同时提出了一种新的事件相机数据表示方法，并描述了如何利用自动生成的近似语义分割标签对 DDD17 数据集进行训练，从而应对数据集标签不足的问题。

    Nov, 2018

  • 基于事件的稀疏事件补全的扩散 - 细化方法

    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

  • 基于运动补偿的事件驱动运动分割

    本研究提出了第一种基于事件相机的感知运动信息分割方法，通过建立在事件感应技术和运动补偿上的目标函数联合估计事件 - 目标关联，从而实现了场景中的独立运动目标分割和运动参数估计，并在公共数据集上取得了比最新技术研究成果高达 10% 的有效结果。同时，我们还首次量化评估了运动分割算法，达到了大约 90% 的准确度。

    Apr, 2019

  • 无监督神经形态空中监视运动分割

    通过在事件数据和光流信息上利用自监督变换器，我们提出的方法克服了事件驱动运动分割的限制，消除了人工注释的需求，并减少了参数调整问题，实现了在多个数据集上与现有方法相比的最新性能，适用于高动态航空平台上的高清事件摄像头在城市环境中处理各种类型的运动并处理任意数量的移动对象。

    May, 2024

  • 使用异步 “事件” 进行运动估计更好

    该论文介绍了一种基于神经网络的异步处理 Event-based Camera 事件流的方法，利用前一时刻的动态信息和灰度帧的关键特征，提取事件中的动态信息，相较现有同类研究结果表现优异。

    Apr, 2019

  • 基于事件的动态模糊矫正学习

    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

  • 一种基于事件的算法，用于同时跟踪和绘制 6 自由度相机姿态

    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