論文の概要: TIDES: Time-Derivative Event Simulation via Deformable Reconstruction
- arxiv url: http://arxiv.org/abs/2606.02058v1
- Date: Mon, 01 Jun 2026 10:49:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:31.873617
- Title: TIDES: Time-Derivative Event Simulation via Deformable Reconstruction
- Title（参考訳）: TIDES: 変形可能な再構成による時間微分イベントシミュレーション
- Authors: Christopher Thirgood, Dipon Kumar Ghosh, Simon Hadfield,
- Abstract要約: 動的スプラッティングをベースとした連続時間イベントシミュレータTIDESを提案する。
TIDESは、学習された幾何学と動きを持つ明示的な3D表現で動作する。
レンダリングフレームの違いによってではなく、シーンから直接ピクセルごとの強度ダイナミクスを導き出すことができる。
- 参考スコア（独自算出の注目度）: 10.871120244987805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Event cameras emit asynchronous events in response to environmental appearance changes. The scarcity of real-world event datasets makes simulation essential. However, most simulators infer event timestamps from frame sequences, forcing many threshold crossings to share a small set of discrete times; a failure mode we term timestamp batching that worsens under fast motion and occlusion. We present TIDES, a continuous-time event simulator built on dynamic Gaussian splatting. Because TIDES operates on an explicit 3D scene representation with learnt geometry and motion, it can derive per-pixel intensity dynamics directly from the scene, rather than by differencing rendered frames. This enables accurate threshold-crossing prediction, including multiple crossings per rendering step, without temporal upsampling or frame interpolation. The same 3D scene model reveals where objects partially occlude one another; TIDES uses this to guide adaptive time stepping, concentrating computation only in regions where occlusion dynamics make simple models of brightness change unreliable. Finally, we model finite sensor bandwidth using a tile-level arbiter whose throughput, jitter, and event drops reproduce realistic sensor artifacts. Across paired RGB-event benchmarks, TIDES attains state-of-the-art event-stream fidelity. We also show that events simulated by TIDES transfer more effectively to real downstream tasks than competitors'.
- Abstract（参考訳）: イベントカメラは、環境の変化に応じて非同期イベントを発生させる。
実世界のイベントデータセットが不足しているため、シミュレーションは不可欠だ。
しかし、ほとんどのシミュレータは、フレームシーケンスからイベントタイムスタンプを推測し、多くのしきい値交差を小さな離散時間で共有せざるを得なかった。
動的ガウススプラッティングに基づく連続時間イベントシミュレータTIDESを提案する。
TIDESは、幾何学と運動を学習した明快な3Dシーン表現で動作するため、描画フレームの違いではなく、シーンから直接画素ごとの強度ダイナミクスを導き出すことができる。
これにより、時間的アップサンプリングやフレーム補間なしに、レンダリングステップ毎に複数の交差を含む正確なしきい値交差予測が可能になる。
TIDESはこれを適応時間ステップのガイドに使用し、オクルージョンダイナミクスが単純な明るさ変化のモデルを作る領域のみに集中する。
最後に、スループット、ジッタ、イベントドロップが現実的なセンサアーティファクトを再現するタイルレベルアービタを用いて、有限センサ帯域幅をモデル化する。
ペア化されたRGB-eventベンチマーク全体で、TIDESは最先端のイベントストリームの忠実性を実現している。
また、TIDESによってシミュレートされたイベントが、競合相手よりも実際の下流タスクに効果的に転送されることを示す。
関連論文リスト
- DexSIM: Real-time Dexterous Simulation with Unified Causal Video Diffusion [0.18613536568358358]
本稿では,デキスタラス操作をリアルタイムにシミュレートするためのデキスタラス・シミュレーション・フレームワークであるDexSIMを提案する。
既存の手法では、リアルタイムの対話性と長期空間の一貫性と記憶が欠如している。
ハンドモーション転送などの新しいアプリケーションも可能で、15.24 FPSのリアルタイム対話性で動作する。
論文 参考訳（メタデータ） (2026-05-23T15:39:38Z) - Dynamic Pondering Sparsity-aware Mixture-of-Experts Transformer for Event Stream based Visual Object Tracking [44.11576998237289]
RGBベースのトラッカーは、低照度や高速モーションなどの困難な撮像条件に対して脆弱である。
イベントカメラは、ピクセルワイドの明るさ変化を捉え、高いダイナミックレンジと高時間分解能を提供することで、有望な代替手段を提供する。
複数の時間スケールにまたがるイベント密度変動を明示的にモデル化するイベント空間認識追跡フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-07T12:25:03Z) - EventTracer: Fast Path Tracing-based Event Stream Rendering [22.899799024836586]
EventTracerは、複雑な3Dシーンからの高忠実度イベントシーケンスをシミュレートするパストレースベースのレンダリングパイプラインである。
EventTracerがより優れたシーンの詳細をキャプチャし、実際のイベントデータと他のイベントシミュレータとの類似性を示す2つの下流タスクを示す。
論文 参考訳（メタデータ） (2025-08-25T14:33:09Z) - Spatio-temporal Transformers for Action Unit Classification with Event Cameras [28.98336123799572]
本稿では,RGBビデオとイベントストリームからなる時間同期型マルチモーダル顔データセットであるFACEMORPHICを提案する。
映像を手動でアノテートすることなく、時間同期が効果的なニューロモルフィック顔分析を可能にすることを示す。
論文 参考訳（メタデータ） (2024-10-29T11:23:09Z) - Event3DGS: Event-Based 3D Gaussian Splatting for High-Speed Robot Egomotion [54.197343533492486]
Event3DGSは高速移動下で高忠実度3D構造と外観を再構築することができる。
複数の合成および実世界のデータセットの実験は、既存のイベントベースの高密度な3Dシーン再構築フレームワークと比較して、Event3DGSの優位性を示している。
また, 構造的精度を損なうことなく, 外観の忠実度をより高められるように, フレームベースで数回の動特性測定を再構成プロセスに組み込むことも可能である。
論文 参考訳（メタデータ） (2024-06-05T06:06:03Z) - Implicit Event-RGBD Neural SLAM [54.74363487009845]
神経性SLAMは近年顕著な進歩を遂げている。
既存の手法は、非理想的なシナリオにおいて重大な課題に直面します。
本稿では,最初のイベントRGBD暗黙的ニューラルSLAMフレームワークであるEN-SLAMを提案する。
論文 参考訳（メタデータ） (2023-11-18T08:48:58Z) - EvDNeRF: Reconstructing Event Data with Dynamic Neural Radiance Fields [80.94515892378053]
EvDNeRFは、イベントデータを生成し、イベントベースの動的NeRFをトレーニングするためのパイプラインである。
NeRFは幾何学ベースの学習可能なレンダリングを提供するが、イベントの以前の作業は静的なシーンの再構築のみを考慮していた。
各種イベントのバッチサイズをトレーニングすることにより、微細な時間解像度でイベントのテスト時間予測を改善することができることを示す。
論文 参考訳（メタデータ） (2023-10-03T21:08:41Z) - Differentiable Event Stream Simulator for Non-Rigid 3D Tracking [82.56690776283428]
我々の微分可能シミュレータは、イベントストリームから変形可能なオブジェクトの非剛性3D追跡を可能にする。
様々な種類の非剛体物体に対するアプローチの有効性を示し, 既存の非剛体3次元追跡手法と比較した。
論文 参考訳（メタデータ） (2021-04-30T17:58:07Z)
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。