OmniEvent：统一的事件表示学习
计算机视觉与模式识别
2025-08-05 v1
摘要
事件相机因其超高的动态范围和时间分辨率在计算机视觉领域日益受到关注。然而，由于非结构化的数据分布和时空（S-T）不均匀性，事件网络严重依赖特定任务的设计，使得现有架构难以复用于新任务。我们提出了 OmniEvent，这是首个统一的事件表示学习框架，在多种任务上实现了 SOTA 性能，完全消除了特定任务设计的需求。与以往将事件数据视为 3D 点云并手动调整 S-T 缩放权重的方法不同，OmniEvent 提出了一种解耦-增强-融合范式，在空间和时间域上独立进行局部特征聚合与增强，以避免不均匀性问题。通过应用空间填充曲线，在提升内存和计算效率的同时实现了大感受野。随后，通过注意力机制融合来自各个域的特征，以学习 S-T 交互。OmniEvent 的输出为网格状张量，使得标准视觉模型无需更改架构即可处理事件数据。凭借统一的框架和相似的超参数，OmniEvent 在 3 项代表性任务和 10 个数据集上，性能最高超越（特定任务的）SOTA 达 68.2%（图 1）。代码将在 https://github.com/Wickyan/OmniEvent 发布。
引用
@article{arxiv.2508.01842,
title = {OmniEvent: Unified Event Representation Learning},
author = {Weiqi Yan and Chenlu Lin and Youbiao Wang and Zhipeng Cai and Xiuhong Lin and Yangyang Shi and Weiquan Liu and Yu Zang},
journal= {arXiv preprint arXiv:2508.01842},
year = {2025}
}