Noise2Image: 用于事件相机的噪声增强静态场景恢复
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
该论文通过自监督学习,将基于事件相机的图像强度重构问题与光流估计相结合,避免了需要真实数据的问题,并提出了一种轻量化的神经网络,以实现快速推理和高精度的光流估计。
Sep, 2020
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
我们提出了一种针对夜间动态场景的新方法,利用事件相机进行成像。我们通过时间尾随特性和空间非均匀分布的观察,构建了一个夜间事件重建网络,包括学习能力的事件时间戳校准模块以对齐时间尾随事件,和一个非均匀光照感知模块以稳定时空事件分布。通过构建配对的真实低光事件数据集,我们的方法在视觉质量和泛化能力上都优于现有方法。
Apr, 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
设计了将场景强度以高效的带宽方式进行捕捉的广义事件相机,使用单光子传感器实现高速、高保真成像,支持即插即用的下游推理,无需新的事件数据集或专门的事件视觉模型设计,带来在成本上不过分的带宽消耗的实际应用。
Jul, 2024
该研究提出一种基于事件流的端到端神经网络,能够从低空间分辨率的事件摄像头中重建出高分辨率,高动态范围的图像,优于现有同类算法,可通过使用主动传感像素框架或迭代重建图像方法进一步扩展。
Dec, 2019
本文研究了 CMOS 图像传感器成像管线中的噪声统计,并制定了一种全面的噪声模型,以准确地表征真实的噪声结构。该模型可用于合成用于学习低光照度去噪算法的真实训练数据,并在多个低光照度去噪数据集上进行的实验表明,使用我们提出的噪声形成模型训练的深度神经网络可以达到惊人的高准确度。
Aug, 2021
本文介绍了一种统一的大气湍流衰减方法,在静态和动态序列中均可使用,并且通过利用一种新的时空非局部平均方法来构建可靠的参考帧,利用几何一致性和锐度度量来生成幸运帧,并通过对盲变焦点扩散函数进行物理约束的先验模型。通过合成和真实长距离湍流序列基于实验结果验证了所提出方法的性能。
Aug, 2020