基于事件相机的 Neural-ODE 动力学与阈值值Receding-Horizon 最大似然估计
系统与控制
2026-04-06 v2 系统与控制
摘要
事件相机在每个像素的最后一次事件超过阈值时触发事件，产生非同步的亮度变化事件，导致其历史依赖的测量模型。我们解决从此类数据流中进行在线最大似然识别连续时间动力学的问题。隐含状态遵循 Neural ODE，并通过可微分状态到图像模型映射到预测的 log-intensity。我们对事件建模为历史依赖的标记点过程，其条件强度是亮度阈值触发的光滑代理，将亮度阈值视为未知参数。 resulting log-likelihood 包含事件项和补偿积分。我们提出一个进行 Receding-Horizon 窗口上少量梯度步骤的估计器。对于流式评估，我们存储每个像素的两个标量（最后事件时间和该时间估计的 log-intensity），并通过蒙特卡洛像素抽样近似补偿积分。合成实验演示了动力学参数和亮度阈值的联合恢复，并对窗口长度下的准确性-延迟权衡进行特征化。
引用
@article{arxiv.2603.05011,
title = {Receding-Horizon Maximum-Likelihood Estimation of Neural-ODE Dynamics and Thresholds from Event Cameras},
author = {Kazumune Hashimoto and Kazunobu Serizawa and Masako Kishida},
journal= {arXiv preprint arXiv:2603.05011},
year = {2026}
}
备注
to be submitted for publication