LiFR-Seg：基于事件导向传播的即时高帧率分割
计算机视觉与模式识别
2026-03-24 v1
摘要
在动态环境中的稠密语义分割 fundamentally 受限于标准相机的低帧率 (LFR) 本质，导致帧与帧之间存在关键感知间隙。为解决此问题，我们提出 Anytime Interframe Semantic Segmentation：一个用于预测任意时刻分割的新任务，仅需单帧过去的 RGB 帧和异步事件数据流。此任务 presents 一个核心挑战：如何鲁棒地利用由稀疏且常常噪声较大的事件数据推导的运动场进行稠密语义特征传播，同时减轻高动态场景中特征退化的影响。我们提出 LiFR-Seg，一个直接针对这些挑战的新框架，通过时间传递深度语义特征。我们方法的核心是不确定性感知的 warping 过程，由事件驱动的运动场及其学习的显式置信度指导。时序记忆注意力模块进一步确保动态场景下的一致性。我们在 DSEC 数据集和我们贡献的新的高频合成基准 (SHF-DSEC) 上对方法进行验证。惊人的是，我们的 LFR 系统在 DSEC 上实现了 (73.82% mIoU) 的性能，其与拥有完整目标帧的 HFR 上限 (相差不到 0.09%) 统计上几乎无异。此工作提出了一种新的、高效的范式，用于以低帧率硬件实现稳健的高帧率感知。项目页面：https://candy-crusher.github.io/LiFR_Seg_Proj/#；代码：https://github.com/Candy-Crusher/LiFR-Seg.git。
引用
@article{arxiv.2603.21115,
title = {LiFR-Seg: Anytime High-Frame-Rate Segmentation via Event-Guided Propagation},
author = {Xiaoshan Wu and Xiaoyang Lyu and Yifei Yu and Bo Wang and Zhongrui Wang and Xiaojuan Qi},
journal= {arXiv preprint arXiv:2603.21115},
year = {2026}
}
备注
Accepted at ICLR 2026