–
一种使用相机速度来生成时间同步事件视差体积的新颖方法,其
中正确视差处的区域是焦点对准的,而不正确视差处的区域是模
糊的。
–
一种新颖的基于块匹配的成本函数,其在事件视差体积上联合奖
励左和右块之间的相似性,同时惩罚两个块中的模糊。
–
对多车辆立体事件相机数据集的评估,与其他现有技术方法的比
较,以及对该方法的每个组件的评估。
2
相关工作
用于事件相机的立体深度估计的早期工作,诸如Kogler等人的工作。
[7]Rogister et al. [15],尝试以完全异步的方式执行个体事件之间的匹
配,使用时间和空间约束的组合,Kogler等人。显示出比事件图像对
之间的基本块匹配更好地执行。然而,当考虑单个事件时,这些方法
在匹配中遭受模糊性。
为了解决这些歧义,Camuas-Mesa et al.[2]使用局部Gabor滤波器形
式的局部空间信息作为特征,而在[3]中,它们跟踪事件的集群以帮助
跟踪遮挡。Zou等人。[22]基于窗口中事件之间的距离使用了一种新的
局部事件上下文描述符,他们在[23]中扩展了该描述符以产生密集的
视差估计。类似地,Schraml et al.[16]使用基于事件之间的距离的成本
来生成全景深度图。
此外,一些作品已经应用基于平滑的正则化来约束模糊区域,这
在基于帧的立体声中取得了巨大成功Piatkowska等人[11,12],已经以
异步方式应用了合作立体声方法[8],而Xie等人。[17,18]分别适应了
置信传播[1]和半全局匹配[4],以达到类似的效果。这些正则化已经
显示出相对于现有技术的显著改进。
这些先前的工作都显示了基于事件的立体匹配的有前途的结果,
但没有明确地处理时间同步问题,而不放弃每个像素周围的丰富的空
间信息。
时间同步的问题已经在其他问题中得到了解决,其中它已经被用
来从事件图像中去除运动模糊Zhu等人 [19] Gallego et al.[5]使用该同步
作为成本函数来分别估计光流和角速度。Rebecq等人[13]使用来自多
个视图的单个相机的姿态来生成视差空间体积,其中正确的深度被类
似地去模糊。Rebecq等人[14]使用状态
估计
或具有特征的状态
估计,并且对它们在其上执行特征跟踪的存储单元的
多个组合图像进行分割
。最近,Mitrokhin et al.[9]使用同步图像
来执行对象检测和跟踪。