事件相机因其低延迟、高时间分辨率和高动态范围，非常适合在高速运动与复杂光照条件下执行视觉里程计任务。Deep Event Visual Odometry（DEVO）此前已经证明，仅依靠单目事件数据的里程计算法可以通过稀疏图像块跟踪、学习式图像块选择、循环对应关系精化以及可微束调整等组件的结合，取得相当出色的性能。在这项新工作中，作者并未改动 DEVO 的核心里程计公式，而是在其基础上增加了一条稀疏点云导出流水线，把 DEVO 内部已经估计出的三维结构显式地转换为点云表示，从而支持可视化以及后续处理。
该论文于 2026 年 5 月 21 日提交至 arXiv，属于机器人学（cs.RO）方向，同时涉及计算机视觉与模式识别（cs.CV）。论文作者为 Alireza Safdari 及另一位合作者，全文共 9 页，包含 4 幅图和 5 张表格。论文的 DOI 为 10.48550/arXiv.2605.22890，DataCite 的 DOI 注册尚待完成。提交记录显示，第一版于 2026 年 5 月 21 日 10:51:40 UTC 上传，文件大小约 1,424 KB。
从方法角度看，这项扩展的出发点在于提高已有系统的可用性，而非重新设计里程计本身。DEVO 在运行过程中会隐式地维护场景的三维结构信息，但这些信息此前并没有以独立、通用的形式对外暴露。新流水线将这些内部结构提取出来，转换为显式点云，并配套实现了一套实用的工作流程，涵盖数据导出、格式转换以及点云清理等步骤。这样一来，原有视觉里程计管线得以完整保留，同时系统能够输出稀疏的几何场景结果，便于研究人员和工程师进行可视化检查或将其接入下游处理模块。
在实验部分，作者在 BOARD SLOW 序列上对所导出的稀疏点云进行了评估。结果显示，该点云与 EMVS 重建结果在局部范围内保持一致，在 5 厘米阈值下达到了较高的精度。这一结果说明，从 DEVO 内部结构中导出的点云在几何上是可信的，能够反映场景的局部形状。与此同时，实验也暴露了该方法预期之中的局限：点云密度较低、完整性不足，并且对里程计累积噪声较为敏感。这些限制与稀疏跟踪和单目事件里程计的固有特性密切相关，也提示了未来在稠密化、补全以及噪声抑制方面的改进空间。
总体而言，这项工作为基于事件的视觉里程计提供了一个轻量而实用的几何输出接口。它没有改变 DEVO 的算法核心，而是通过工程化的导出与清理流程，把原本隐含的三维信息转化为可复用的点云数据，为可视化、评测和后续处理创造了条件。对于关注事件相机、机器人导航以及三维重建的研究者而言，这一扩展展示了如何在不牺牲原有性能的前提下，增强深度学习里程计系统的实用价值。