E-MoFlow：通过隐式正则化从事件数据学习运动估计与光流
计算机视觉与模式识别
2025-10-27 v2
摘要
光流和 6 自由度（6-DoF）运动估计是 3D 视觉中的两个基本任务，通常独立解决。然而，对于神经器官视觉（如事件相机），由于缺乏稳健的数据关联，在无 ground truth 监督情况下单独解决这两个问题往往是病态的。现有方法通过强制光场场通过显式变分正则器实现平滑性，或利用显式结构与运动先验在参数化中以提高事件对齐，来缓解这种病态性。前者显著引入结果偏差和计算开销，而后者通常会收敛到次优局部最小值。为此，我们提出一种无监督框架，通过隐式时空和几何正则化联合优化运动估计与光流。首先，通过将相机运动建模为连续样条函数，将光流建模为隐式神经表示，我们的方法在归纳偏置下内在嵌入时空一致性。其次，我们通过微分几何约束整合结构与运动先验，绕过显式深度估计，同时保持严格的几何一致性。结果，我们的框架（称为 E-MoFlow）在完全无监督范式下通过隐式正则化统一了运动估计与光流估计。实验表明，其方法对通用的 6-DoF 运动场景具有高度适应性，在无监督方法中实现了最先进的性能，甚至与监督方法相竞争。
引用
@article{arxiv.2510.12753,
title = {E-MoFlow: Learning Egomotion and Optical Flow from Event Data via Implicit Regularization},
author = {Wenpu Li and Bangyan Liao and Yi Zhou and Qi Xu and Pian Wan and Peidong Liu},
journal= {arXiv preprint arXiv:2510.12753},
year = {2025}
}
备注
The Thirty-Ninth Annual Conference on Neural Information Processing Systems(NeurIPS 2025)