论文速览 | IEEE Signal Processing Letters, 2024 | 基于时空上下文学习的事件相机立体深度估计

于 2024-06-27 09:28:39 发布
阅读量236 收藏
点赞数
分类专栏： # 计算机视觉/三维重建/OOD论文速递 # 无线感知/雷达成像论文速递 文章标签： 论文速览 IEEE SPL 2024 事件相机 深度估计
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qazwsxrx/article/details/140004073
版权

论文速览 | IEEE Signal Processing Letters, 2024 | 基于时空上下文学习的事件相机立体深度估计

在这里插入图片描述

1 引言

在计算机视觉领域，立体深度估计一直是一个备受关注的研究热点。传统的基于帧的方法虽然取得了长足的进步，但在处理运动模糊、低照度和平坦区域等挑战性场景时仍面临诸多困难。近年来，事件相机凭借其高时间分辨率、高动态范围和丰富的边缘信息等优势，在计算机视觉领域掀起了一场革命。这种新型传感器不同于传统相机，它能够以异步方式记录像素级的亮度变化，为解决上述难题提供了新的可能。

本文介绍了一篇发表在IEEE Signal Processing Letters上的研究论文，该论文提出了一种新颖的基于学习的事件立体深度估计网络

了解本专栏 订阅专栏 解锁全文 超级会员免费看
R.X. NLOS
关注
专栏目录
订阅专栏
TPAMI 2024 | 从事件相机中获取稠密连续时间光流
小白学视觉
08-07 51
我们提出了一种从事件数据中估计稠密连续时间光流的方法。传统的稠密光流方法计算两幅图像之间的像素位移。由于缺少信息，这些方法无法恢复两幅图像之间的盲时间内的像素轨迹。在这项工作中，我们展示了使用事件相机中的事件可以计算每个像素的连续时间光流。事件提供了关于像素空间中运动的时间上细粒度的信息，得益于其异步性质和微秒响应时间。我们利用这些优势，通过参数化的Bézier曲线密集地预测连续时间内的像素轨迹。
论文速览 | ICML 2024 | EvTexture: Event-driven Texture Enhancement for Video Super-Resolution | 基于事件相机的视
NLOS的博客
06-25 140
本文提出的EvTexture方法为视频超分辨率中的纹理恢复问题提供了一种创新的解决方案。通过巧妙地利用事件信号中的高频动态细节，EvTexture实现了对复杂纹理区域的有效恢复。首次将事件信号用于视频超分辨率的纹理增强。提出了双分支结构，分别处理运动学习和纹理增强。设计了迭代纹理增强模块，逐步提取和refinement纹理细节。在多个数据集上取得了显著的性能提升，特别是在富含纹理的场景中。EvTexture的成功不仅推动了视频超分辨率技术的发展，也为事件相机在计算机视觉中的应用开辟了新的方向。
IEEE Signal Processing Letters (SPL) 投稿须知
snow
11-15 2万+
I包含了对稿件的要求（与期刊涵盖内容是否相符、创新性、英语水平、实验充分）；稿件提交流程；稿件长度的限制；对于稿件被拒重投的说明；对会议论文的发表；以及提交格式的说明；版面费等信息。
IEEE Signal Processing Letters
wzg2016的博客
12-03 3282
原文链接：https://signalprocessingsociety.org/publications-resources/ieee-signal-processing-letters/information-authors-spl 作者须知： Letters是四页的文章，旨在快速传播原创的（original）、前沿的想法（cutting-edge ideas），并在信号、图像、语音、语...
IEEE Signal Processing Letters 投稿须知
11-25 2633
IEEE Signal Processing Letters 原文链接：https://signalprocessingsociety.org/publications-resources/ieee-signal-processing-letters/information-authors-spl 作者须知： Letters是四页的文章，旨在快速传播原创的（original）、前沿的想...
Recurrent Context Aggregation Network for SingleImage Dehazing（IEEE SIGNAL PROCESSING LETTERS）
change_lkl的博客
05-11 345
摘要：现有的基于学习的去雾方法容易造成去雾过度和去雾失败，主要是因为没有充分利用雾天图像的全局特征，而雾天图像的局部特征没有足够的区度，本文提出了一种递归上下文聚合网络(RCAN)来有效地去除图像的模糊并恢复颜色保真度。在RCAN，一种被称为上下文侵犯块(CAB)的高效通用模块被设计为通过利用全局和局部特征来改进特征表示，全局和局部特征对于鲁棒去雾是互补的，因为局部特征可以捕捉不同级别的雾度，而全局特征可以关注整个图像的纹理和对象边缘。此外，RCAN采用深度递归机制来提高去雾性能，而不引入额外的网络参数。在
ACL2024 | StreamVoice：基于流式上下文感知语言建模的实时零样本语音转换
weixin_48827824的博客
06-05 967
流式零样本语音转换（streaming zero-shot voice conversion）是指能够实时的将输入语音转换成任意说话人的语音，且仅需要该说话人一句语音作为参考，且无需额外的模型更新。现有的零样本语音转换方法通常是为离线系统设计，难以满足实时语音转换应用对于流式能力的需求。近期基于语言模型（language model, LM）的方法在零样本语音生成（包括转换）上展现出卓越的性能，但是需要整句处理而局限于离线场景。近期，西工大音频语音与语言处理研究组（ASLP@NPU）与抖音合作的论文 “
深度学习：图像识别(匹配)方法|室内定位|论文与方法整理
热门推荐
04-27 5万+
若该文为原创文章，未经允许不得转载 原博主博客地址：https://blog.csdn.net/qq21497936 原博主博客导航：https://blog.csdn.net/qq21497936/article/details/102478062 本文章博客地址： 各位读者，知识无穷而人力有穷，要么改需求，要么找专业人士，要么自己研究 目录 前言 整理 图像匹配 Part1：局部不变...
基于深度学习的三维人体姿态估计
admin11111111的博客
07-04 4298
目录 ​​​​​一、技术背景 1.1 人体姿态估计 1.2三维人体重建 1.4构建多人场景研究情况 二. 技术方法 2.1基础架构 2.2重叠loss 2.3深度顺序感知loss 四．存在的问题与未来研究热点 4.1 本实验方法存在的问题 4.2 未来研究热点 参考文献： ​​​​​一、技术背景 1.1 人体姿态估计 人体姿态估计（human pose estimation, HPE）已经发展了几十年，一直围绕着从传感器的输入来构建人体姿态。在摄影领域...
"多级上下文超聚合立体匹配的成本计算方法
正发3范登平2刘跃1，4王永田1，41北京理工大学2南开大学3盲信号处理4北京电影学院http://mmcheng.net/mcua/摘要利用多层次的上下文信息来降低体积，可以提高基于学习的立体匹配方法的性能近年来，三维卷积神经网络...
滚动快门相机的上下文感知视频重建
17572滚动快门相机的上下文感知视频重建戴斌范玉超* 志远张琦刘明义何西北工业大学电子信息学院，西安摘要随着滚动快门（RS）相机的普及，从两个连续的RS帧恢复潜在全局快门（GS）视频变得越来越有吸引力，这也对...
图像中对象丢失的学习上下文模型
5716看到不存在的东西学习上下文以确定对象丢失孙晋马里兰大学计算机科学系{jinsun，djacobs}@ cs.umd.edu图1：当十字路口（橙色矩形）的一段人行道上缺少路缘坡道（绿色矩形）时，行动不便的人无法过马路。...
57.公司裁员人员优化方案.docx
09-14
57.公司裁员人员优化方案.docx
GPT-o1 草莓大模型训练原理，IIya 是co-author
最新发布
09-14
内容概要：该论文研究了在解决复杂多步骤推理时，在过程监督(process supervision)方法下训练奖励模型的效果显著优于单纯的结果监督(outcome supervision)，尤其是在难度较高的数学题目上更为突出。通过利用从大数据集中收集到的逐层反馈数据（PRM800K），论文提出了一种基于人类评分反馈的方式训练过程监控模型，这比仅依靠解决方案的结果来优化模型表现得更好。实验证明，过程监控行为使得错误识别更容易，同时也避免模型仅为了得到正确答案而进行逻辑错误推导的问题。 适用人群：自然语言处理的研究人员以及关注人工智能安全和可靠性的技术人员。 使用场景及目标：本文旨在提供一个深入的理解关于过程指导相对于结论导向监管的优势，特别是在需要复杂的、多层次推理任务如自动解答复杂应用型数学问题等方面。 其他说明：本文不仅详细讨论了两者在数据采集效率方面的区别而且还开源了一个完整的带有分级人工评价标签的数据集，以帮助未来对大模型对齐的相关研究工作推进。
c语言大丰收小游戏源码
09-14
c语言大丰收游戏源码
基于Springboot和Vue的在线宠物用品交易网源码 在线宠物用品交易网代码，包括程序，中文注释，配置说明操作步骤
09-14
在线宠物用品交易网-在线宠物用品交易网-在线宠物用品交易网-在线宠物用品交易网-在线宠物用品交易网-在线宠物用品交易网-在线宠物用品交易网-在线宠物用品交易网-在线宠物用品交易网-在线宠物用品交易网-在线宠物用品交易网-在线宠物用品交易网 1、资源说明：在线宠物用品交易网源码，本资源内项目代码都经过测试运行成功，功能ok的情况下才上传的。 2、适用人群：计算机相关专业(如计算计、信息安全、大数据、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工等学习者，作为参考资料，进行参考学习使用。 3、资源用途：本资源具有较高的学习借鉴价值，可以作为“参考资料”，注意不是“定制需求”，代码只能作为学习参考，不能完全复制照搬。需要有一定的基础，能够看懂代码，能够自行调试代码，能够自行添加功能修改代码。 4. 最新计算机软件毕业设计选题大全(文章底部有博主联系方式): https://blog.csdn.net/2301_79206800/article/details/135931154 技术栈、环境、工具、软件： ① 系统环境:Windows ② 开发语言：Java
员工辞退补偿金明细表.xlsx
09-14
员工辞退补偿金明细表.xlsx
ieee signal processing letters
03-16
IEEE信号处理快报是一个高质量的学术期刊，专注于信号处理领域的研究和应用。它涵盖了从基础理论到实际应用的各个方面，包括数字信号处理、图像处理、语音处理、生物医学信号处理等。该期刊的目标是促进信号处理领域的交流和发展，为学术界和工业界提供最新的研究成果和技术进展。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

R.X. NLOS

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值