事件相機（Event Camera）是一種新型視覺感測器，與傳統相機不同，它只記錄影素亮度的變化，具有高時間解析度、低延遲和高動態範圍等優勢。然而，由於缺乏精確統一的模型，事件相機的標定和演算法設計一直面臨挑戰。近日，一篇發表在arXiv上的論文提出了一個基於光子統計的機率模型，旨在統一描述事件相機的噪聲行為，並開發了Noise2Params方法用於引數估計。
該模型從光子統計出發，將靜態場景下的噪聲事件和階躍響應曲線（S曲線）納入同一分析框架。研究人員推導了三種機率分佈形式：精確泊松分佈、鞍點近似分佈和高斯分佈，分別適用於不同的強度範圍。這一模型揭示了噪聲事件與S曲線之間的內在聯絡，並指出S曲線的解釋比簡單選擇固定機率閾值更為複雜。具體而言，S曲線並非單一閾值決定，而是與光子統計和相機引數密切相關。
基於該模型，論文提出了Noise2Params方法，透過最小化觀測噪聲事件分佈與理論分佈之間的誤差，來估計相機特有的引數：對數對比度閾值B、勒克斯-光子轉換因子α以及洩漏項θ（被發現與強度相關）。與需要特殊動態光源的傳統方法相比，Noise2Params僅需記錄靜態均勻場景，實驗上更易實現。這種方法為事件相機的標定提供了一種便捷且準確的途徑。
為了驗證模型的有效性，研究人員使用從分佈中生成的合成噪聲影像訓練卷積神經網路（CNN），並評估其在實驗資料上重建靜態場景的能力。結果表明，結合合成資料訓練的CNN效能優於僅使用實驗資料訓練的CNN，展示了合成資料對模型訓練的增強作用。這一框架為事件相機的標定、噪聲感知演算法設計以及在光子受限環境中的應用提供了定量基礎，對自動駕駛、機器人視覺等領域具有潛在意義。