通过运动补偿从事件相机学习单目深度

事件相机是受神经形态启发的传感器，以稀疏和异步方式报告亮度变化。其高时间分辨率、高动态范围和低功耗特性使其适用于解决单目深度估计（例如，高速或低光照条件）中的挑战。然而，现有方法主要将事件流作为黑箱学习系统进行处理，而未纳入先验物理原理，从而导致模型过于参数化，无法充分利用事件相机数据中固有的丰富时序信息。为此，我们引入物理运动原理，提出一种可解释的单目深度估计框架，其中 various 深度假设的可能性由运动补偿的效果显式确定。为实现此目标，我们提出了焦点成本判别（Focus Cost Discrimination, FCD）模块，用于衡量边缘清晰度作为焦点水平的关键指标，并整合空间环境以促进成本估计。此外，我们分析了框架内的噪声模式，并通过新引入的跨假设成本聚合（Inter-Hypotheses Cost Aggregation, IHCA）模块进行改进，其中通过成本趋势预测和多尺度成本一致性约束来细化成本体积。在真实数据集和合成数据集上的大量实验表明，我们提出的框架在绝对相对误差指标上比最新方法提高了最高可达10%，显示出在预测准确性方面的优越性能。