使用事件相机进行线性运动估计仍然是一个开放的问题，本文针对此问题提出了一种正确的非线性参数化方法，并引入了一种新颖的 5 点求解器来联合估计线参数和线性摄像机速度投影，以对多条线进行融合，从而生成更稳定的相对运动估计，并捕捉到更多的内点。

Sep, 2023

从视觉数据中恢复相机运动和场景几何是计算机视觉领域中的一个基本问题。我们提出了一种基于事件相机的几何误差项的快速线性求解器和连续时间非线性求解器，证明了它们在准确性和效率方面的优势，并展示了连续时间非线性求解器在适应运动突变方面的卓越能力。

Jul, 2024

本文研究从损坏的成对线测量中估计 n 个位置的逆问题，提出了半定规划 (SDP) 的配套公式，并提供一种交替方向方法来解决这个问题。与此同时，我们还提出了一个基于鲁棒相机方向和子空间估计的成对线估计方法，并通过实验来展示我们算法的效用。

Dec, 2013

研究了基于点对应关系推断图像对之间摄像机运动的问题，提出了一个基于最大似然问题的量测模型和两步算法，证明了该算法具有渐近统计性质，并在稠密点对应情况下具有显著优势。

Mar, 2024

本文提出了基于多尺度特征融合技术和一次非线性帧间运动计算的视频帧插值方法，利用新型实验装置捕捉深度变化的 100 多个具有挑战性的场景，对比实验表明我们的方法在 PSNR 和 LPIPS 得分上分别提高了 0.2dB 和 15%。

Mar, 2022

基于事件的运动估计在提取和跟踪稳定特征方面仍然存在困难，因此通常认为与其他传感器的融合是必需的。在本研究中，我们利用 Ackermann 转向平台的约束非完整运动模型，实现了可靠的纯事件型视觉测距。通过将常规帧摄像机的单特征非线性扩展到准时间连续事件轨迹，并通过变量程度泰勒展开实现多项式形式，我们通过直方图投票轻松实现对多个事件轨迹的鲁棒平均值。在模拟和真实数据上的实验表明，我们的算法实现了准确而稳健的车辆瞬时旋转速度估计，从而在正常条件下与基于帧传感器获得的增量旋转相当。此外，我们在具有挑战性的照明场景中明显优于传统的替代方法。代码可在 https://github.com/gowanting/NHEVO 上获取。

Jan, 2024

论文探讨了事件相机在图像分割和运动估计领域的应用。我们引入了一种基于广义纳什均衡的框架，利用从事件流中得出的时间和空间信息进行分割和速度估计。通过一系列实验展示了该方法的有效性。

Jul, 2023

通过推导摄像机拍摄同一场景点的新型线性位置约束，得出一种直接的全局摄像机平移估计线性方法，解决了共线摄像机运动和弱图像关联的问题。最终线性公式不涉及场景点坐标，使其适用于大规模数据，采用基于 $L_1$ 范数的线性方程求解，使该系统对基础矩阵和特征对应的离群值更加鲁棒，在顺序捕获图像和无序互联网图像上进行实验，证明了其在鲁棒性，精度和效率方面的优势。

Mar, 2015

本研究提出了一种新的自监督损失方法，将对比最大化框架与非线性运动先验相结合，形成像素级轨迹，并提出了一种有效的解决非线性轨迹和事件之间的高维赋值问题的方法。在两个场景中证明了其有效性：在密集连续时间运动估计中，我们的方法在实际数据集 EVIMO2 上提高了合成训练模型的零样本性能 29%。在光流估计中，我们的方法将简单的 UNet 提升到在 DSEC 光流基准测试中达到了最先进的性能。

Jul, 2024

该研究介绍了一种将基于合成和基于流的方法结合使用的新方法 Time Lens，通过采用事件相机技术来消除场景中高动态的影响，并在多个基准测试中提高了 5.21 dB 的峰值信噪比。

Jun, 2021