事件相机（Event Camera, EC）作为一种新兴的视觉传感器，因其高动态范围和低延迟特性而备受关注。然而，由于缺乏准确且统一的模型，事件相机的校准和算法设计长期面临挑战。近日，一篇发表于arXiv的论文提出了一种基于光子统计的基础概率模型，旨在统一描述事件相机的噪声事件和阶跃响应曲线（S曲线），并基于该模型开发了名为Noise2Params的参数确定方法。
该研究的核心在于建立一个分析框架，将静态场景中的噪声事件与S曲线联系起来。S曲线通常用于描述事件相机对亮度变化的响应，但传统上其解释较为模糊。新模型揭示了这两种看似不同的行为之间的内在联系，并指出S曲线的解读比简单地选择一个固定概率阈值更为微妙。为了覆盖所有强度范围，作者推导了三种概率分布形式：精确泊松分布、鞍点近似和高斯近似。
基于这一概率模型，研究团队提出了Noise2Params方法，用于确定相机特定的三个关键参数：对数对比度阈值B、勒克斯到光子的转换因子α以及泄漏项θ（研究发现θ依赖于光强）。该方法通过最小化模型预测与观测到的噪声事件分布之间的误差来估计这些参数。与需要专用动态光源的传统方法不同，Noise2Params仅需记录静态、均匀的场景，因此实验上更易于实现。
为了验证模型的有效性，作者使用从概率分布生成的合成噪声图像训练卷积神经网络（CNN），并评估其从实验数据中重建静态场景的能力。实验结果表明，结合合成数据训练的CNN性能优于仅使用实验数据训练的模型。这进一步证明了该概率模型能够为事件相机的校准、噪声感知算法设计以及光子受限应用提供定量基础。
该论文的第一作者为Owen Root，其他作者包括两位合作者。论文主文29页，包含18张图；补充材料22页，包含15张图。该研究属于计算机视觉与模式识别（cs.CV）领域，并与光学（physics.optics）交叉。论文提交于2026年5月4日，目前可在arXiv上获取。这项工作的意义在于，它为事件相机的校准和算法设计提供了一个统一的概率框架，有望推动事件相机在低光等光子受限场景下的应用。