神经形态单目深度估计与不确定性建模
计算机视觉与模式识别
2026-05-12 v1
摘要
事件相机相对于传统帧式传感器具有独特优势，包括微秒级时间分辨率、高动态范围和低带宽。本文使用深度神经网络从单目事件流中预测每个像素的深度分布。我们采用高斯、对数正态和证据学习框架估计不确定性。我们比较了六种事件表示方法：具有 1、5、10 和 20 个时间箱的时空体素网格、紧凑时空表示 (CSTR) 和时间有序最近事件 (TORE) 体积。我们的 U-Net 模型在合成数据上进行训练，然后在真实序列上进行微调。我们使用绝对相对误差、均方根误差和稀疏化误差下降面积进行评估。定量结果表明，各种表示方法的表现相似，而 10 箱对数正态和 5 箱证据学习在各项指标上表现最佳。我们的实验表明，不确定性估计可以成功地集成到基于事件的单目深度估计中，并用于指示可靠深度的像素。
引用
@article{arxiv.2605.10675,
title = {Neuromorphic Monocular Depth Estimation with Uncertainty Modeling},
author = {Viktor Bergkvist and Felix Rydell and Per-Erik Forssén and David Gustafsson and Johan Rideg},
journal= {arXiv preprint arXiv:2605.10675},
year = {2026}
}