Aug, 2024

CMTA：用于事件引导的视频去模糊的跨模态时间对齐

HTML
PDF
TL;DR本研究解决了现有视频去模糊方法在严重运动模糊条件下无法准确对齐邻近帧的问题。我们提出了一种新颖的方法，利用事件相机的微秒时间分辨率，通过模块化设计增强帧内特征并实现帧间时间特征对齐，从而显著提高去模糊效果。实验结果表明，该方法在合成和真实世界数据集上均超越了最新的帧基础和事件基础的去模糊技术。
发现论文，激发创造
  • 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

  • 未知曝光时间视频的事件引导去模糊

    本研究提出了一种使用事件相机进行运动去模糊的新的方法，并通过引入新的Exposure Time-based Event Selection（ETES）模块和特征融合模块，提出了端到端的学习框架。在各个数据集上的实验表明，该方法可以达到最先进的性能水平。

    Dec, 2021

  • 基于事件的运动去模糊和帧插值的统一

    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

  • 基于可形变卷积和LSTM的灵活事件帧融合网络用于动态去模糊

    本研究提出了一种使用LSTM-based event特征提取模块的Deformable Convolutions网络，以灵活地融合动态变化的事件帧，能够在光照条件或场景中存在快速移动物体的情况下优于现有的运动去模糊网络。

    Jun, 2023

  • 泛化真实场景中的基于事件的运动去模糊

    本研究提出了一个新的基于事件的去模糊方法，通过利用不同空间和时间尺度的运动模糊信息，构建了一个适应实际场景的多尺度网络，通过自我监督学习来提高准确性，并引入一个包含多尺度模糊帧和事件的真实世界数据集以促进事件驱动去模糊研究。

    Aug, 2023

  • 基于混合Transformer的视频去模糊的长期锐利特征聚合

    提出了一种利用混合Transformer进行特征聚合的视频去模糊方法，该方法通过利用邻近帧和当前清晰帧恢复模糊帧，对事件驱动视频去模糊也有优秀表现。

    Sep, 2023

  • 学习视差用于双目基于事件的运动去模糊

    我们提出了一种新的粗细网络框架（名为St-EDNet），通过事件和强度相机的立体事件和强度图像，直接从不对齐的输入中恢复高质量图像，实现对运动模糊的补充和重建。

    Sep, 2023

  • 交叉聚焦：同时进行运动去模糊和事件超分辨率

    本文致力于通过提高图像的时间分辨率和事件的空间分辨率来弥合传统相机和神经形态相机之间的分辨率差距，并介绍了一种新型的神经网络（CZ-Net）用于同时恢复模糊输入在曝光期内的尖锐隐藏序列和相应的高分辨率事件。

    Sep, 2023

  • 事件引导的视频去模糊的跨模态时间对齐

    本研究解决了视频去模糊中因严重运动模糊而导致的邻近帧时间对应不准确的问题。通过引入事件相机的微秒时间分辨率，提出了两个模块以增强单帧特征和对帧间时间特征进行对齐。实验结果显示，该方法在合成和真实世界的去模糊数据集上超过了现有的最新技术。

    Aug, 2024

  • 面向真实场景的事件引导低光视频增强与去模糊

    本研究解决了低光环境中视频增强与去模糊的挑战，提出了一种结合事件相机技术的创新方法。该方法通过建立真实世界数据集，并引入端到端框架，有效整合时间信息与跨模态特征，从而显著提升了低光视频质量及去模糊性能。

    Aug, 2024