Jul, 2024

稠密连续时间运动估计的运动先验对比度最大化

HTML
PDF
TL;DR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。
发现论文，激发创造
  • EV-FlowNet: 自监督事件型相机光流估计

    本文介绍了一种新的基于自监督深度学习的光流估计方法 EV-FlowNet，用于事件驱动相机。该方法不仅可以准确地估计密集光流，还为其他自监督方法到事件驱动领域提供了转移框架。

    Feb, 2018

  • 面向事件相机的统一对比度最大化框架，应用于运动、深度和光流估计

    提出了一种基于事件相机的框架来解决运动、深度和光流估计等计算机视觉问题，通过最大化图像平面上与事件数据最佳对齐的点轨迹对比度的目标函数来隐式处理事件数据的关联，进而精确地恢复出运动参数，并且产生了具有高动态范围的运动校正的类边缘图像，可用于更进一步的场景分析。

    Apr, 2018

  • 基于事件的运动估计的全局最优对比度最大化

    利用分支定界法提出基于对比度最大化的事件流运动估计算法，将其应用于视频稳定和姿态估计等实际应用中，获得全局优化解决方案，且具有较高的运算速度和精度。

    Feb, 2020

  • 使用事件相机进行单张图像的光流估计

    该研究探讨了如何利用事件相机和模糊图像进行光流估计，提出了一种基于事件相机和模糊图像的光流估计算法，并通过实验验证了该算法的优越性。

    Apr, 2020

  • 回归事件基础：通过光度恒定实现事件相机图像重建的自我监督学习

    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

  • E-RAFT: 来自事件相机的稠密光流

    本文提出了一种针对事件相机的全新稠密光流计算方法，通过引入特征相关性与顺序处理的设计思路，相比于现有方案在数据集MVSEC上将终点误差降低了23％，并提出一种新的数据集，更能反映现实场景中物体的运动情况，最终结果的终点误差比之前的方案减少了66%。

    Aug, 2021

  • 序列化、低延迟、事件驱动光流学习的对比最大化控制

    研究了一种基于事件摄像机的光流无监督学习算法，可以用于实现高频推理的低延迟和低功耗的解决方案，并且在多个数据集上得到了验证。

    Mar, 2023

  • EV-MGRFlowNet: 基于运动导向的循环网络的非监督事件驱动光流估计与混合运动补偿损失

    本文提出了一种基于事件相机的无监督光流估计算法EV-MGRFlowNet，该方法使用带有运动引导的循环网络和混合运动补偿损失，充分利用先前的隐藏状态和运动流，并强化几何约束以更准确地对齐事件，实验结果表明，相对于MVSEC数据集上的当前最先进技术，AEE平均误差可以达到约22.71％的平均降低，是目前无监督学习方法中排名第一的。

    May, 2023

  • 基于事件相机的任意时间光流估计

    本研究提出了一种高帧率、低延迟的事件表示 Unified Voxel Grid 和基于事件的任意时刻光流估计网络 EVA-Flow，其中关键组件为堆叠的时空运动细化模块，可通过时空运动细化预测时间密集的光流并增强其准确性，同时还引入了用于无监督评估中间光流的修正流变形误差损失(RFWL)。

    Jul, 2023

  • 重新审视基于事件的视频帧插值

    利用动态视觉传感器或事件相机进行视频帧插值，结合RGB信息的事件引导光流细化策略和分阶段的中间帧合成策略，可以获得比先前的视频帧插值方法更可靠和更真实的中间帧结果。

    Jul, 2023