論文の概要: Simultaneous Motion And Noise Estimation with Event Cameras

• arxiv url: http://arxiv.org/abs/2504.04029v1
• Date: Sat, 05 Apr 2025 02:47:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:13:30.625011
• Title: Simultaneous Motion And Noise Estimation with Event Cameras
• Title（参考訳）: イベントカメラによる動きと騒音の同時推定
• Authors: Shintaro Shiba, Yoshimitsu Aoki, Guillermo Gallego,
• Abstract要約: イベントカメラは、ノイズを特徴付けるのが難しい視覚センサーが登場しつつある。 既存のイベントカメラのデノベーション手法では、動作推定などのタスクを別々に検討する。 この研究は、我々の知る限り、様々な形態の運動を同時に推定する最初の方法を提案する。
• 参考スコア（独自算出の注目度）: 18.2247510082534
• License:
• Abstract: Event cameras are emerging vision sensors, whose noise is challenging to characterize. Existing denoising methods for event cameras consider other tasks such as motion estimation separately (i.e., sequentially after denoising). However, motion is an intrinsic part of event data, since scene edges cannot be sensed without motion. This work proposes, to the best of our knowledge, the first method that simultaneously estimates motion in its various forms (e.g., ego-motion, optical flow) and noise. The method is flexible, as it allows replacing the 1-step motion estimation of the widely-used Contrast Maximization framework with any other motion estimator, such as deep neural networks. The experiments show that the proposed method achieves state-of-the-art results on the E-MLB denoising benchmark and competitive results on the DND21 benchmark, while showing its efficacy on motion estimation and intensity reconstruction tasks. We believe that the proposed approach contributes to strengthening the theory of event-data denoising, as well as impacting practical denoising use-cases, as we release the code upon acceptance. Project page: https://github.com/tub-rip/ESMD
• Abstract（参考訳）: イベントカメラは、ノイズを特徴付けるのが難しい視覚センサーが登場しつつある。 既存のイベントカメラの denoising 方法は、運動推定などのタスクを別々に考える(つまり、denoising 後のシーケンシャルに行う)。 しかし、動きは、シーンエッジが動きなしでは認識できないため、イベントデータの本質的な部分である。 この研究は、我々の知る限り、様々な形態(例えば、エゴモーション、光の流れ)の運動とノイズを同時に推定する最初の方法を提案する。 この方法は柔軟であり、広く使われているコントラスト最大化フレームワークの1ステップのモーション推定を、ディープニューラルネットワークのような他のモーション推定装置に置き換えることができる。 実験により,提案手法は,DND21ベンチマークにおいて,E-MLBデノナイジングベンチマークにおける最先端結果と競合結果を達成するとともに,動作推定および強度再構成タスクにおける有効性を示す。 提案手法は,イベントデータの復号化理論の強化に寄与すると同時に,実際の復号化ユースケースにも影響すると考えている。 プロジェクトページ:https://github.com/tub-rip/ESMD

関連論文リスト

• Combining Pre- and Post-Demosaicking Noise Removal for RAW Video [2.772895608190934]
  Denoisingは、カメラセンサーが捉えたデータをディスプレイ対応の画像やビデオに変換する処理パイプラインの基本ステップの1つである。 本研究では,ベイアパターンのCFAビデオデータに対して,事前および復号化後のデノイザを重み付けする自己相似型デノイザ方式を提案する。 両者のバランスが画像品質の向上につながることを示し、高ノイズレベルがより高影響のプレデモーザックの恩恵を受けることを実証的に見出した。
  論文  参考訳（メタデータ） (2024-10-03T15:20:19Z)
• A Label-Free and Non-Monotonic Metric for Evaluating Denoising in Event Cameras [17.559229117246666]
  イベントカメラは、スパースで非同期なイベントストリームを出力するため、その高い効率で有名である。 denoisingはイベントカメラにとって必須のタスクだが、denoisingパフォーマンスを評価することは難しい。 連続コントラスト曲線(AOCC)の面積であるラベルフリーで非単調な評価指標を提案する。
  論文  参考訳（メタデータ） (2024-06-13T08:12:48Z)
• DeNoising-MOT: Towards Multiple Object Tracking with Severe Occlusions [52.63323657077447]
  DNMOTは、複数のオブジェクト追跡のためのエンドツーエンドのトレーニング可能なDeNoising Transformerである。 具体的には、トレーニング中にノイズを伴って軌道を拡大し、エンコーダ・デコーダアーキテクチャのデノイング過程をモデルに学習させる。 我々はMOT17,MOT20,DanceTrackのデータセットについて広範な実験を行い,実験結果から,提案手法が従来の最先端手法よりも明確なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-09T04:40:01Z)
• DiffTAD: Temporal Action Detection with Proposal Denoising Diffusion [137.8749239614528]
  そこで我々は,時間的行動検出(TAD)の新しい定式化を提案し,拡散を抑えるDiffTADを提案する。 入力されたランダムな時間的提案を考慮すれば、トリミングされていない長いビデオが与えられたアクションの提案を正確に得ることができる。
  論文  参考訳（メタデータ） (2023-03-27T00:40:52Z)
• E-MLB: Multilevel Benchmark for Event-Based Camera Denoising [12.698543500397275]
  イベントカメラは、差動信号を出力する際に、ジャンクションリーク電流と光電流に敏感である。 大規模イベント復号化データセット(イベント復号化のためのマルチレベルベンチマーク、E-MLB)を初めて構築する。 また、与えられた事象の構造強度を測定する最初の非参照事象認知尺度であるイベント構造比(ESR)を提案する。
  論文  参考訳（メタデータ） (2023-03-21T16:31:53Z)
• Event-based Camera Simulation using Monte Carlo Path Tracing with Adaptive Denoising [10.712584582512811]
  イベントベースのビデオは、ノイズのある明るさ値から変化を検出するプロセスと見なすことができる。 重み付き局所回帰に基づく復調法を拡張し,明るさ変化を検出する。
  論文  参考訳（メタデータ） (2023-03-05T08:44:01Z)
• ProgressiveMotionSeg: Mutually Reinforced Framework for Event-Based Motion Segmentation [101.19290845597918]
  本稿では,動作推定 (ME) モジュールとイベントデノイング (ED) モジュールを相互に強化された方法で共同最適化する。 時間的相関をガイダンスとして、EDモジュールは各イベントが実活動イベントに属するという信頼度を算出し、MEモジュールに送信し、ノイズ抑制のための運動セグメンテーションのエネルギー関数を更新する。
  論文  参考訳（メタデータ） (2022-03-22T13:40:26Z)
• Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
  センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。 それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
  論文  参考訳（メタデータ） (2021-10-10T10:45:24Z)
• Noise2Same: Optimizing A Self-Supervised Bound for Image Denoising [54.730707387866076]
  本稿では,新しい自己教師型デノベーションフレームワークであるNoss2Sameを紹介する。 特にノイズ2Sameは、ノイズモデルに関するJ-不変性や余分な情報を必要としない。 以上の結果から,ノイズ2Sameは従来の自己監督型遮音法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2020-10-22T18:12:26Z)
• Motion-Excited Sampler: Video Adversarial Attack with Sparked Prior [63.11478060678794]
  そこで本研究では,前もってモーションアウェアノイズを得るための効果的なモーションエキサイティングサンプリング手法を提案する。 より少ないクエリ数で様々なビデオ分類モデルを攻撃することができる。
  論文  参考訳（メタデータ） (2020-03-17T10:54:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。