論文の概要: E-WAVE: Event-based Continuous Optical Flow via Warping-Aligned Visual Encoding
- arxiv url: http://arxiv.org/abs/2609.34346v1
- Date: Mon, 28 Sep 2026 05:23:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 21:36:24.282999
- Title: E-WAVE: Event-based Continuous Optical Flow via Warping-Aligned Visual Encoding
- Title（参考訳）: E-WAVE:ワーピング対応視覚符号化によるイベントベース連続光学流れ
- Abstract要約: イベントストリームからの高時間分解能(HTR)光フロー推定のための相関のないフレームワークであるE-WAVEを提案する。
E-WAVEは、長距離機能依存をモデル化するためのグローバルアテンションメカニズムを採用し、軌道案内機能ワープを実行する。
MultiFlowとDSEC-Flowの実験では、25%低い軌道誤差と同等のエンドポイントフロー推定精度が示されている。
- 参考スコア（独自算出の注目度）: 21.540211250173737
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Temporally dense optical flow is essential for dynamic perception in immersive VR/AR systems, where rapid head, hand, and object motion must be continuously captured and tracked. Existing frame-based optical flow estimation methods are constrained by the tradeoff between temporal resolution and computational cost; while event cameras, with their high temporal resolution and energy efficiency, serve as a natural solution to the dilemma. However, event-based approaches commonly rely on correlation volumes to capture pairwise voxel correspondences, which incur substantial memory and computation overhead. We present E-WAVE, a correlation-free framework for high-temporal-resolution (HTR) optical flow estimation from event streams. Instead of constructing all-pairs correlation volumes, E-WAVE employs global attention mechanism to model long-range feature dependencies and performs trajectory guided feature warping using Bézier curve. Through iterative updates, it predicts trajectories that allow for querying at arbitrary timestamps without repeated inference. Experiments on MultiFlow and DSEC-Flow demonstrate a 25% lower trajectory error and comparable endpoint flow estimation accuracy relative to state-of-the art baselines. Additional evaluations on self-captured data using a head-mounted prototype validate that E-WAVE remains robust under challenging real-world conditions.
- Abstract（参考訳）: 没入型VR/ARシステムでは、頭部、手、物体の動きを連続的に捉え、追跡しなければならない。
既存のフレームベースの光フロー推定法は、時間分解能と計算コストのトレードオフによって制約されるが、イベントカメラは、その時間分解能とエネルギー効率が高く、ジレンマの自然な解として機能する。
しかしながら、イベントベースのアプローチは、ペアワイズなボクセル対応をキャプチャするために相関ボリュームに依存することが多い。
イベントストリームからの高時間分解能(HTR)光フロー推定のための相関のないフレームワークであるE-WAVEを提案する。
全対相関ボリュームを構築する代わりに、E-WAVEは長距離特徴依存をモデル化するグローバルアテンション機構を採用し、ベジエ曲線を用いて軌道案内特徴ワープを行う。
反復的な更新を通じて、反復推論なしで任意のタイムスタンプでクエリできるトラジェクトリを予測する。
MultiFlowとDSEC-Flowの実験では、最先端のベースラインと比較して25%低い軌道誤差と同等のエンドポイントフロー推定精度が示されている。
ヘッドマウント型プロトタイプを用いた自己捕捉データのさらなる評価により、E-WAVEは挑戦的な実環境下で頑健であることが確認された。
関連論文リスト
- CT-VIR: Continuous-Time Visual-Inertial-Ranging Fusion for Indoor Localization with Sparse Anchors [8.090575303185078]
本稿では,視覚慣性配列(VIR)融合ローカライゼーションのための連続時間状態推定法を提案する。
イントロダクタ、ビジュアル、およびレンジリング制約は、スライドウインドウグラフの因子として定式化される。
パブリックデータセットと実世界の実験による評価は,提案手法の有効性と実用性を示すものである。
論文 参考訳（メタデータ） (2026-04-16T02:23:57Z) - CoWTracker: Tracking by Warping instead of Correlation [53.834673070954494]
ワープに有利なコストを削減できる高密度な点トラッカーを提案する。
近年の光学的流れの進展に触発されて,本手法では,現在の推定値に基づいて,対象フレームからクエリフレームへ特徴を変換することで,トラック推定を反復的に洗練する。
我々のモデルは,TAP-Vid-DAVIS,TAP-Vid-Kinetics,Robo-TAPなど,標準的な高密度点追跡ベンチマークの最先端性能を実現する。
論文 参考訳（メタデータ） (2026-02-04T18:58:59Z) - Inference-Time Gaze Refinement for Micro-Expression Recognition: Enhancing Event-Based Eye Tracking with Motion-Aware Post-Processing [2.5465367830324905]
イベントベースの視線追跡は、きめ細かい認知状態の推測に重要な可能性を秘めている。
本稿では、既存の事象に基づく視線推定モデルの出力を高めるために、モデルに依存しない推論時間改善フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-14T14:48:11Z) - Event Signal Filtering via Probability Flux Estimation [58.31652473933809]
イベントは、非同期センシングを通じてシーンダイナミクスをキャプチャするための新しいパラダイムを提供するが、その固有のランダム性は、しばしば劣化した信号品質につながる。
したがって、イベント信号フィルタリングは、この内部ランダム性を低減し、多様な取得条件をまたいだ一貫した出力を確保することで、忠実性を高めるために不可欠である。
本稿ではイベント密度フローフィルタ(EDFilter)と呼ばれる生成オンラインフィルタリングフレームワークを紹介する。
実験では、イベントフィルタリング、スーパーレゾリューション、イベントベースの直接追跡といったタスクでEDFilterのパフォーマンスを検証する。
論文 参考訳（メタデータ） (2025-04-10T07:03:08Z) - SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。
SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。
強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
論文 参考訳（メタデータ） (2025-03-25T17:59:57Z) - EMoTive: Event-guided Trajectory Modeling for 3D Motion Estimation [59.33052312107478]
イベントカメラは、シーン変化に対する連続的適応ピクセルレベル応答による3次元モーション推定の可能性を提供する。
本稿では,イベント誘導パラメトリック曲線を用いた一様軌道をモデル化するイベントベースフレームワークであるEMoveについて述べる。
動作表現には,事象誘導下での空間的特徴と時間的特徴を融合する密度認識適応機構を導入する。
最終3次元運動推定は、パラメトリック軌道、流れ、深度運動場の多時間サンプリングによって達成される。
論文 参考訳（メタデータ） (2025-03-14T13:15:54Z) - BAT: Learning Event-based Optical Flow with Bidirectional Adaptive Temporal Correlation [9.216990457540941]
イベントカメラは、高ダイナミックレンジと高時間分解能を特徴とする視覚情報を提供する。
イベントカメラの現在の高度な光フロー法は、確立された画像ベースのフレームワークを多く採用している。
本稿では、双方向適応時間相関を用いたイベントベース光フローを推定する革新的なフレームワークであるBATを提案する。
論文 参考訳（メタデータ） (2025-03-05T08:20:16Z) - LEAP-VO: Long-term Effective Any Point Tracking for Visual Odometry [53.5449912019877]
本稿では,LEAP(Long-term Effective Any Point Tracking)モジュールについて述べる。
LEAPは、動的トラック推定のために、視覚的、トラック間、時間的キューと慎重に選択されたアンカーを革新的に組み合わせている。
これらの特徴に基づき,強靭な視力計測システムLEAP-VOを開発した。
論文 参考訳（メタデータ） (2024-01-03T18:57:27Z)
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。