Sep, 2024

基于边缘信息的对比最大化在事件驱动视觉中的秘密

HTML
PDF
TL;DR本研究解决了事件相机捕捉动态边缘时图像空间结构模糊的挑战。我们提出了一种新颖的混合方法，将对比最大化从单模态扩展到双模态，通过相关性目标优化事件，结合多尺度和多参考技术，显著提高了图像的清晰度，并在多个数据集上实现了新的事件光流基准。
发现论文，激发创造
  • 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

  • 使用事件相机进行连续时间强度估计

    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

  • 仅需关注：基于事件的视觉损失函数

    本文提出了22种目标函数及分类法以分析运动补偿方法中的事件对齐，其中的焦点损失函数利用了传统聚焦应用中的函数与成熟的计算机视觉工具有了联系，这些函数可用于多种任务，包括旋转运动、深度和光流估计。

    Apr, 2019

  • 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

  • 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

  • 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

  • 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

  • 基于事件的视频帧插值与边缘引导的运动细化

    利用事件相机和边缘特征来提高视频帧插值的质量。

    Apr, 2024

  • 事件相机去噪的无标签和非单调度量评估

    为解决事件相机的噪声问题，提出了首个不依赖标签且非单调的评估指标——连续对比度曲线的面积（AOCC）。该指标利用不同时间间隔内事件帧对比度曲线所围成的面积，通过保留边缘轮廓事件的对比度，来评估去噪方法的有效性。实验证明了该指标的有效性。

    Jun, 2024

  • 稠密连续时间运动估计的运动先验对比度最大化

    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