概率在线事件下采样

事件相机以每像素异步方式捕获场景变化，实现了极高的时间分辨率。然而，这一优势以高带宽、内存和计算需求为代价。为了解决这一问题，先前的工作探索了事件下采样，但大多数方法依赖固定启发式或基于阈值的策略，限制了其适应性。相反，我们提出了一个概率框架 POLED，通过事件重要性概率密度函数（ePDF）对事件重要性进行建模，该函数可任意定义并适应不同应用。我们的方法在纯在线环境中运行，从原始事件流中即时估计事件重要性，实现了场景特定的适应。此外，我们引入了零样本事件下采样，其中下采样后的事件必须能被在原始事件流上训练的模型直接使用，而无需特定任务的适应。我们设计了一个保留轮廓的 ePDF，优先考虑结构上重要的事件，并在四个数据集和任务——目标分类、图像插值、表面法线估计和目标检测——上评估了我们的方法，证明了在事件预算约束下，智能采样对于维持性能至关重要。代码已公开。