基于函数反向传播的事件分箱无偏梯度估计
计算机视觉与模式识别
2026-02-16 v1
摘要
基于事件的视觉将动态场景编码为称为事件的异步时空尖峰。为了利用常规图像处理管线，事件通常被分箱为帧。然而，分箱函数是不可导的，这会在帧级别截断梯度，迫使大多数基于事件的算法仅依赖帧级特征。试图直接从原始事件中学习可避免这一限制，但会因分箱操作的不可导性而产生偏置梯度估计，最终限制了学习效率。为此，我们提出一种 novel 框架，通过在反向传播期间合成弱导数来实现任意分箱函数的无偏梯度估计，同时保持前向输出不变。关键思想是利用积分求 parts：将目标函数提升到函数式后，可在反向传播期间获得分箱函数导数的积分形式，其中余切函数自然出现。通过从采样的余切向量中重构该余切函数，我们计算出与光滑和非光滑目标的长程有限差分相匹配的弱导数。实验方面，我们的方法在简单基于优化的 egomotion 估计中实现 3.2% 更低的均方根误差和 1.57 倍更快的收敛速度。在复杂的下游任务中，我们在自监督光流估计中实现 9.4% 更低的 EPE，在 SLAM 中实现 5.1% 更低的均方根误差，显示示了对基于事件的视觉感知的广泛益处。源代码可在 https://github.com/chjz1024/EventFBP 查找。
引用
@article{arxiv.2602.12590,
title = {Unbiased Gradient Estimation for Event Binning via Functional Backpropagation},
author = {Jinze Chen and Wei Zhai and Han Han and Tiankai Ma and Yang Cao and Bin Li and Zheng-Jun Zha},
journal= {arXiv preprint arXiv:2602.12590},
year = {2026}
}