擴充套件深度事件視覺里程計：稀疏點雲匯出
事件相機憑藉低延遲、高時間解析度和高動態範圍，在高速運動和複雜光照條件下的視覺里程計任務中表現優異。深度事件視覺里程計（DEVO）透過結合稀疏補丁跟蹤、學習補丁選擇、迴圈對應最佳化和可微分光束法平差，實現了強大的單目事件里程計效能。本研究在DEVO基礎上新增了稀疏點雲匯出管道，無需修改核心里程計演算法，即可將內部估計的3D結構轉換為顯式點雲表示，支援視覺化和後續處理。實驗表明，匯出的稀疏點雲在區域性與EMVS重建一致，在5釐米閾值下精度高，但也暴露了密度、完整性和對累積里程計噪聲敏感等侷限性。
文章情報
要點
- 事件相機適用於高速運動和惡劣光照條件下的視覺里程計。
- DEVO透過稀疏補丁跟蹤和可微分光束法平差實現強效能。
- 本研究新增了稀疏點雲匯出管道，無需修改核心里程計。
- 實驗驗證了區域性一致性，但點雲密度和完整性有限。
為什麼重要
這條新聞值得關注，因為事件相機適用於高速運動和惡劣光照條件下的視覺里程計。
技術影響
可能影響 Agent 架構、工具呼叫、工作流自動化和產品整合。
事件相機因其獨特的低延遲、高時間解析度和高動態範圍特性，在高速運動和挑戰性光照條件下的視覺里程計任務中展現出顯著優勢。近年來，深度事件視覺里程計（Deep Event Visual Odometry, DEVO）方法透過將稀疏補丁跟蹤、學習補丁選擇、迴圈對應最佳化和可微分光束法平差等技術巧妙結合，成功證明了僅依賴事件資料的單目里程計能夠達到令人印象深刻的效能水平。
在本研究中，作者團隊在DEVO的基礎上開發了一個創新的稀疏點雲匯出管道。這一管道設計精巧，它並不改變DEVO的核心裡程計演算法本身，而是直接利用DEVO內部已經估計出的3D結構資訊，將其轉換為顯式的點雲表示形式。這樣一來，研究人員和工程師就可以更方便地對這些稀疏點雲進行視覺化和進一步的資料處理。此外，作者還實現了一套從資料匯出、格式轉換到點雲清理的完整工作流程。
最終的系統保留了原有的視覺里程計管道，同時增加了輸出稀疏幾何場景的能力。在BOARD SLOW序列上的實驗表明，匯出的稀疏點雲與基於事件的運動分割（EMVS）重建結果在區域性具有高度一致性，在5釐米的精度閾值下表現優異。然而，實驗也揭示了該方法固有的侷限，包括點雲密度較低、完整性不足以及對累積里程計噪聲較為敏感等問題。
這項研究為事件視覺里程計的實際應用開闢了新途徑，特別是在需要稀疏3D幾何資訊的場景中，如機器人導航、即時場景理解和增強現實等領域。相關論文已提交至arXiv，預印本編號為arXiv:2605.22890，並於2026年5月21日上線。