EMoTive：用于 3D 运动估计的事件引导轨迹建模
计算机视觉与模式识别
2025-03-18 v2
摘要
视觉 3D 运动估计旨在基于视觉线索推断 3D 空间中 2D 像素的运动。核心挑战源于深度变化引起的时空运动不一致性，这破坏了先前运动估计框架中局部空间或时间运动平滑性的假设。相比之下，事件相机通过对场景变化的连续自适应像素级响应，为 3D 运动估计提供了新的可能性。本文提出了 EMoTive，一种新颖的基于事件的框架，通过事件引导的非均匀参数曲线对时空轨迹进行建模，有效地表征了局部异构的时空运动。具体而言，我们首先引入了 Event Kymograph——一种事件投影方法，它利用连续时间投影核并解耦空间观测，以显式编码细粒度的时间演化。对于运动表示，我们引入了密度感知适应机制，在事件引导下融合空间和时间特征，并结合非均匀有理曲线参数化框架来自适应地建模异构轨迹。最终的 3D 运动估计是通过对参数轨迹进行多时间采样实现的，从而产生光流和深度运动场。为了便于评估，我们引入了 CarlaEvent3D，一个用于综合验证的多动态合成数据集。在该数据集和真实世界基准上的大量实验证明了所提方法的有效性。
引用
@article{arxiv.2503.11371,
title = {EMoTive: Event-guided Trajectory Modeling for 3D Motion Estimation},
author = {Zengyu Wan and Wei Zhai and Yang Cao and Zhengjun Zha},
journal= {arXiv preprint arXiv:2503.11371},
year = {2025}
}