event-based cameras
PulseAugur coverage of event-based cameras — every cluster mentioning event-based cameras across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架利用事件相机改进3D手部重建
研究人员开发了EventEgoHands++，一个用于从单目视角进行基于事件的3D手部网格重建的新型框架。该方法通过利用事件相机，解决了传统相机在弱光和高动态场景下的局限性。该框架包含一个手部检测器，用于检测单手实例级别的边界框和掩码，以及一个自适应注意力机制来准确建模双手之间的关系。为了支持训练和评估，N-HOT3D数据集得到了扩展，并构建了包含约100万个标注帧的新EEH-R数据集。
-
新型E-RGB-D系统实现高速实时彩色和深度感知
研究人员开发了E-RGB-D，一个结合事件相机和数字光处理投影仪的新型系统，以实现实时、高速的RGB-D感知。通过投影结构光来捕捉颜色和深度信息，该集成解决了传统事件相机无法检测颜色和静态物体等局限性。该系统表现出色，实现了每秒1400帧的颜色检测速度和4千赫兹的像素深度检测，为机器人技术和3D重建的先进应用铺平了道路。
-
E-TIDE：轻量级事件驱动的运动预测架构揭晓
研究人员开发了 E-TIDE，一种用于从事件相机预测未来事件表示的新型架构。该系统设计轻量级且计算效率高，无需广泛的预训练即可有效运行。E-TIDE 利用时态动态事件交互 (TIDE) 模块来捕获时空依赖性，从而能够在资源受限的环境中进行实时部署。实验表明，在模型尺寸和训练要求降低的情况下，性能具有竞争力。
-
综述文章回顾了用于机器人技术的事件驱动光学标记系统
本综述文章回顾了事件驱动光学标记系统（EBOMS），该系统将事件相机与AprilTags或LED等光学标记相结合。文章详细介绍了这些系统的原理，强调了其异步操作和在恶劣光照条件下的鲁棒性。文章还涵盖了目标检测、跟踪和姿态估计等关键应用，并提出了未来的研究方向。
-
基于事件的摄像头提高了击球影响估算的准确性
研究人员开发了一个新的框架，使用基于事件的摄像头来准确估算击球影响的时间。该方法通过提供微秒级分辨率和高动态范围，解决了传统RGB摄像头和IMU的局限性。该系统生成高密度事件帧，并采用带有新颖损失函数的掩码细化网络来提高分割精度，在真实数据集上实现了平均绝对误差63%的降低。