SpikeStereoNet：基于脉冲流的类脑立体深度估计框架

传统基于帧的相机在快速变化场景中的立体深度估计常常面临困难。相比之下，仿生脉冲相机以微秒级分辨率发出异步事件，提供了一种替代的传感模态。然而，现有方法缺乏针对脉冲数据定制的专用立体算法和基准。为了填补这一空白，我们提出了 SpikeStereoNet，一种类脑框架，也是首个直接从原始脉冲流估计立体深度的框架。该模型融合来自两个视点的原始脉冲流，并通过循环脉冲神经网络 (RSNN) 更新模块迭代地细化深度估计。为了对我们的方法进行基准测试，我们引入了一个大规模合成脉冲流数据集和一个带有稠密深度注释的真实世界立体脉冲数据集。通过利用脉冲流在无纹理表面和极端光照条件等挑战性区域中捕捉细微边缘和强度变化的能力，SpikeStereoNet 在两个数据集上均优于现有方法。此外，我们的框架展现出强大的数据效率，即使在训练数据大幅减少的情况下也能保持高精度。源代码和数据集将公开发布。