事件流中的生成式去识别
计算机视觉与模式识别
2026-04-15 v1 机器学习
摘要
神经器视觉传感器提供低延迟和高动态范围，但其在公共空间的部署引发严重的数据保护问题。最近的 Event-to-Video (E2V) 模型可从稀疏事件流中重建高保真强度图像，潜在地暴露了人类身份。当前的遮蔽方法，如掩码或扰乱，严重损坏了时空结构，导致下游感知任务的数据效用显著降低。本文在我们所知的第一套针对事件流的生成式去识别框架，通过桥接异步事件与标准空间生成模型之间的模态差异，项目事件到中间强度表示，利用预训练模型合成真实且不存在的身份，并将特征重新编码回神经器域。实验表明，我们的方法可可靠地防止从 E2V 重构中恢复身份，同时保留下游视觉任务所需的结构数据完整性。最后，为促进严格的评估，我们引入了一套新型同步的真实世界事件和 RGB 数据集，通过精确的机器人轨迹捕获，为未来在隐私保护神经器视觉研究提供了稳健的基准。
引用
@article{arxiv.2604.12803,
title = {Generative Anonymization in Event Streams},
author = {Adam T. Müller and Mihai Kocsis and Nicolaj C. Stache},
journal= {arXiv preprint arXiv:2604.12803},
year = {2026}
}
备注
Accepted to the 1st Workshop on Low-Level Vision Frontiers (LoViF) at IEEE/CVF CVPR 2026