一种用于事件相机六自由度位姿重定位的简单有效的基于点的网络

事件相机具有高动态范围、异步性和低延迟等显著特性，使其非常适合在挑战性光照条件下涉及高速运动的视觉任务。这些相机在事件中隐式捕获运动和深度信息，使其成为相机位姿重定位（CPR）任务的理想传感器。然而，现有基于事件的 CPR 网络忽略了事件中关键的细粒度时间信息，导致性能不理想。此外，使用过于复杂的模型进一步损害了节能特性，阻碍了在边缘设备上的高效部署。在本文中，我们提出了 PEPNet，这是一种简单有效的基于点的网络，旨在回归六自由度（6-DOFs）事件相机位姿。我们重新思考了事件相机与 CPR 任务之间的关系，直接利用原始点云作为网络输入，以利用事件的高时间分辨率和固有稀疏性。PEPNet 擅长通过层次结构抽象空间和隐式时间特征，并通过注意力双向长短期记忆（A-Bi-LSTM）处理显式时间特征。通过采用精心设计的轻量化设计，PEPNet 以极少的计算资源在室内和室外数据集上均提供了最先进的（SOTA）性能。具体而言，PEPNet 在随机划分的 IJRR 和 M3ED 数据集上分别实现了 38% 和 33% 的显著性能提升。此外，轻量化版本 PEPNet$_{tiny}$ 仅使用 0.5% 的参数即可获得与 SOTA 相当的结果。