DSEC
PulseAugur coverage of DSEC — every cluster mentioning DSEC across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
通过重建方法增强事件相机人物检测
一篇新发表在arXiv上的研究论文探讨了使用事件相机改进人物检测的方法。该研究比较了各种技术，包括直接灰度累积、时间编码和强度重建，以表示事件相机数据用于通用视觉模型。结果表明，强度重建方法，特别是E2VID，在检测人物方面显著优于直接编码方法，同时最大限度地减少了误报。研究还评估了Qwen3-VL-4B模型在此背景下的性能，强调了重建在受控触发方面的优势，并将其与连续触发的挑战区分开来。
-
中国AI实验室推进AI系统的递归自我改进
中国AI实验室在递归自我改进（RSI）领域取得了重大进展，该领域专注于AI改进AI系统。虽然真正的L5 RSI（AI发明下一代AI）仍然难以实现，但Zhipu AI和DeepSeek等公司正在通过自动化关键基础设施和代理开发取得进展。Zhipu AI部署了“Infra Agent”来优化其在国内GPU集群上的推理系统，降低了成本并提高了吞吐量。DeepSeek与清华大学合作开发了DSec，“沙箱工厂”，能够每天生成数百万个AI代理的测…
-
LiFR v2 框架通过事件相机融合增强密集预测
研究人员推出 LiFR v2，一个结合 RGB 相机和事件相机实现高帧率密集预测的新框架。该系统通过利用事件相机的时序密度，即使在 RGB 数据稀疏或缺失的情况下，也能解决 RGB 相机的局限性。LiFR v2 包含一个事件引导补全模块 (EGCM) 来填充缺失信息，以及一个历史检索模块 (HRM) 来重用已补全的数据，从而实现语义分割和深度估计等任务的实时性能。
-
New CELL method enhances event-camera localization in LiDAR maps
研究人员开发了一种名为CELL的新方法，用于改进事件相机在LiDAR地图中的定位。该技术学会为事件图像和LiDAR深度视图之间的对应关系分配置信度分数，解决了深度较大处的对应关系对姿态估计信息量较少的偏差。通过使用可微分的概率性PnP求解器，CELL能够端到端地学习这些置信度，然后在训练期间用于重新加权监督，并在测试时优化姿态估计。CELL系统在M3ED和DSEC数据集上展示了改进，与LEAR基线相比，中值平移误差最多降低了26.9%…
-
UniDynamics融合事件-RGB数据，用于未来4D动态场景生成
研究人员推出UniDynamics，一个新颖的基于扩散的框架，用于生成未来的4D动态场景。该方法融合事件和RGB数据，以预测未来的RGB、深度和光流，而无需依赖大量的历史数据或预定义的控制先验。UniDynamics通过使用事件流作为单RGB外推的替代运动先验，明确地对未来运动场进行建模，并通过多模态建模强制执行几何和运动约束。该框架包括一个用于对齐事件数据的事件潜在增强模块，以及一个U-Net架构内的感知动态空间，以提高几何-运动一…
-
HypoDepth框架精炼事件图像深度估计
研究人员推出HypoDepth，一个利用事件图像数据的单目深度估计新框架。该方法通过采用离散的深度假设体积（DHV）将深度回归问题转化为约束搜索任务。通过构建3D成本体积并执行多尺度相关搜索，HypoDepth引导稳定的残差优化，在DSEC和MVSEC基准测试中表现优于现有方法，取得了最先进的结果和强大的零样本泛化能力。该框架的轻量级设计还使其能够在资源受限的设备上实现实时性能。
-
DeepSeek 扩大弹性计算团队以扩展 AI 代理基础设施
DeepSeek 正在大力扩展其弹性计算团队，尤其寻求资深工程师来管理其 DSec 沙盒基础设施。该系统支持 DeepSeek V3.2 至 V4.1 模型的训练、评估和预处理，每日处理数百万个沙盒实例。DSec 实施了多项优化，包括三层环境结构、按需加载镜像、内存共享和智能 CPU 调度，以减少资源消耗并提高并发性。该基础设施还支持容器、MicroVM 和完整 VM 等多种执行后端，并正朝着使用代理为其他代理构建环境的方向发展，同时…
-
新方法 Interp3R 实现连续时间 3D 几何估计
研究人员开发了 Interp3R，一种新颖的方法，通过实现连续时间几何估计来增强 3D 视觉基础模型。与仅在离散帧瞬间捕获几何的先前模型不同，Interp3R 利用异步事件数据在帧之间进行插值。这使得能够更全面地理解捕获图像之间的场景演变。该方法在合成数据上进行了训练，但在多个真实世界和合成数据集上表现出强大的泛化能力，在减少深度和轨迹误差方面优于现有的两阶段基线。
-
事件相机特征被分析为运动线索以提高准确性
研究人员分析了事件基角点检测中使用的两个特征，特别是结构张量的特征值和时空密度值，并提出它们充当运动线索。他们的工作从理论上检验了这些特征与运动方向的关系，并通过在合成数据上进行的受控实验对其效用进行了实证验证。将这些增强的特征整合到基于事件的光流网络中，提高了在真实世界DSEC基准测试中的准确性，尤其是在数据稀疏的情况下和对于低容量模型。
-
Evita统一骨干网络通过新颖的共学习模块推进RGB-事件解析 · 跟踪2个来源
研究人员推出Evita，这是一种新颖的统一骨干网络，用于密集RGB-事件解析，解决了融合标准RGB帧与异步事件流的挑战。Evita包含内在共学习模块，包括几何视差校正和谐波光谱共振，以增强模态协同作用并改善特征提取。该系统还包括N-ImageNetV2和预训练协议，以确保适应各种事件格式。在DELIVER、DDD17和DSEC等基准上的评估证明了Evita的先进性能以及对实时应用的有利的准确性-延迟权衡。