Vector-Symbolic Architecture for Event-Based Optical Flow

从特征匹配的角度来看，事件相机的光流估计涉及通过比较伴随事件帧中的特征相似性来识别事件对应关系。在这项工作中，我们介绍了一种有效且稳健的高维特征描述符，利用向量符号架构（VSA）来处理事件帧。VSA 中相邻变量之间的拓扑相似性有助于增强流匹配点的特征描述符的表示相似性，而其结构化符号表示能力则促进了来自事件极性和多个空间尺度的特征融合。基于这个高维特征描述符，我们提出了一种新颖的事件光流特征匹配框架，包括基于模型的（VSA-Flow）和自监督学习（VSA-SM）方法。在 VSA-Flow 中，准确的光流估计验证了高维特征描述符的有效性。在 VSA-SM 中，提出了一种基于高维特征描述符的相似性最大化方法，以从事件中单独自监督学习光流，消除了对辅助灰度图像的需求。评估结果表明，我们基于 VSA 的方法在 DSEC 基准测试中比基于模型和自监督学习方法都具有更高的准确性，而在 MVSEC 基准测试中则在两种方法中保持竞争力。这项贡献标志着事件光流在特征匹配方法论上的重大进展。

本论文旨在解决事件相机光流估计中的特征匹配问题，提出了一种基于高维特征描述符和向量符号架构的特征匹配框架。

论文提出了一种基于向量符号架构的高维特征描述符，该描述符具有较强的表征能力和特征融合能力，结合模型和自监督学习方法，实现了事件光流估计。

论文提出的方法在DSEC数据集上表现优越，在MVSEC数据集上也具有竞争力。论文还提出了一种基于相似度最大化的自监督学习方法，无需辅助灰度图像即可从事件流中学习光流。

相关研究包括基于光流的目标跟踪方法、基于事件相机的光流估计方法等。