基于深度学习的事件数据编码：一种时空与极性联合解决方案
计算机视觉与模式识别
2026-03-17 v2 图像与视频处理
摘要
神经形态视觉传感器，通常称为事件相机，会产生大量由时空和极性信息组成的像素级事件，因此需要高效的编码解决方案。现有解决方案专注于事件数据的无损编码，假设对于目标用例（主要包括分类和识别等计算机视觉任务）不允许任何失真。一种有前景的编码方法利用了事件数据与点云之间的相似性，两者都是三维点集，从而允许使用当前的点云编码解决方案来编码事件数据，通常采用双点云表示，每种事件极性一个。本文提出了一种新颖的有损深度学习联合事件数据编码（DL-JEC）解决方案，该方案首次采用单点云表示，其中事件极性扮演点云属性的角色，从而能够利用几何/时空与极性事件信息之间的相关性。此外，本文还提出了新颖的自适应体素二值化策略，可用于 DL-JEC，并针对面向质量或面向计算机视觉任务的目的进行了优化，从而能够最大化手头任务的性能。与相关的传统和基于深度学习的最先进事件数据编码解决方案，特别是 MPEG G-PCC 和 JPEG Pleno PCC 标准相比，DL-JEC 可以实现显著的压缩性能增益。此外，研究表明，可以在不损害目标计算机视觉任务性能（特别是事件分类）的情况下使用有损事件数据编码，其码率相对于无损编码显著降低，从而改变了当前的事件数据编码范式。
引用
@article{arxiv.2502.03285,
title = {Deep Learning-based Event Data Coding: A Joint Spatiotemporal and Polarity Solution},
author = {Abdelrahman Seleem and André F. R. Guarda and Nuno M. M. Rodrigues and Fernando Pereira},
journal= {arXiv preprint arXiv:2502.03285},
year = {2026}
}