事件引导的低光照视频语义分割
计算机视觉与模式识别
2026-01-29 v1
摘要
最近的视频语义分割方法在光照良好的环境中已展现出有前景的结果。然而，由于能见度有限和上下文细节减少，它们在低光照场景下的性能显著下降。此外，不利的低光照条件使得跨视频帧整合时间一致性变得更加困难，从而导致视频闪烁效应。与传统相机相比，事件相机可以捕捉运动动态、过滤时间冗余信息，并且对光照条件具有鲁棒性。为此，我们提出了 EVSNet，一个利用事件模态引导学习统一光照不变表示的轻量级框架。具体来说，我们利用运动提取模块从事件模态中提取短期和长期时间运动，并利用运动融合模块自适应地整合图像特征和运动特征。此外，我们使用时间解码器来利用视频上下文并生成分割预测。EVSNet 中的这些设计实现了轻量级架构，同时达到了最先进的性能。在 3 个大规模数据集上的实验结果表明，我们提出的 EVSNet 以高达 11 倍的参数效率超越了 SOTA 方法。
引用
@article{arxiv.2411.00639,
title = {Event-guided Low-light Video Semantic Segmentation},
author = {Zhen Yao and Mooi Choo Chuah},
journal= {arXiv preprint arXiv:2411.00639},
year = {2026}
}
备注
12 pages, 5 figures, Accepted to IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2025