扩展深度事件视觉里程计：稀疏点云导出
事件相机凭借低延迟、高时间分辨率和高动态范围，在高速运动和复杂光照条件下的视觉里程计任务中表现优异。深度事件视觉里程计（DEVO）通过结合稀疏补丁跟踪、学习补丁选择、循环对应优化和可微分光束法平差，实现了强大的单目事件里程计性能。本研究在DEVO基础上添加了稀疏点云导出管道，无需修改核心里程计算法，即可将内部估计的3D结构转换为显式点云表示，支持可视化和后续处理。实验表明，导出的稀疏点云在局部与EMVS重建一致，在5厘米阈值下精度高，但也暴露了密度、完整性和对累积里程计噪声敏感等局限性。
文章情报
要点
- 事件相机适用于高速运动和恶劣光照条件下的视觉里程计。
- DEVO通过稀疏补丁跟踪和可微分光束法平差实现强性能。
- 本研究添加了稀疏点云导出管道，无需修改核心里程计。
- 实验验证了局部一致性，但点云密度和完整性有限。
为什么重要
这条新闻值得关注，因为事件相机适用于高速运动和恶劣光照条件下的视觉里程计。
技术影响
可能影响 Agent 架构、工具调用、工作流自动化和产品集成。
事件相机因其独特的低延迟、高时间分辨率和高动态范围特性，在高速运动和挑战性光照条件下的视觉里程计任务中展现出显著优势。近年来，深度事件视觉里程计（Deep Event Visual Odometry, DEVO）方法通过将稀疏补丁跟踪、学习补丁选择、循环对应优化和可微分光束法平差等技术巧妙结合，成功证明了仅依赖事件数据的单目里程计能够达到令人印象深刻的性能水平。
在本研究中，作者团队在DEVO的基础上开发了一个创新的稀疏点云导出管道。这一管道设计精巧，它并不改变DEVO的核心里程计算法本身，而是直接利用DEVO内部已经估计出的3D结构信息，将其转换为显式的点云表示形式。这样一来，研究人员和工程师就可以更方便地对这些稀疏点云进行可视化和进一步的数据处理。此外，作者还实现了一套从数据导出、格式转换到点云清理的完整工作流程。
最终的系统保留了原有的视觉里程计管道，同时增加了输出稀疏几何场景的能力。在BOARD SLOW序列上的实验表明，导出的稀疏点云与基于事件的运动分割（EMVS）重建结果在局部具有高度一致性，在5厘米的精度阈值下表现优异。然而，实验也揭示了该方法固有的局限，包括点云密度较低、完整性不足以及对累积里程计噪声较为敏感等问题。
这项研究为事件视觉里程计的实际应用开辟了新途径，特别是在需要稀疏3D几何信息的场景中，如机器人导航、实时场景理解和增强现实等领域。相关论文已提交至arXiv，预印本编号为arXiv:2605.22890，并于2026年5月21日上线。