LED: A Large-scale Real-world Paired Dataset for Event Camera Denoising

事件相机在捕捉动态场景信息方面具有显著优势，但容易受到噪声干扰，特别是在低阈值和低照度等具有挑战性的条件下。然而，大多数现有研究都集中在温和的情况下，阻碍了事件相机在现实复杂场景中的应用。为了解决这个限制并推进该领域，我们构建了一个新的配对实际事件去噪数据集(LED)，包括3K个序列，18K秒的高分辨率(1200*680)事件流，并与其他数据集相比具有三个显著的区别：不同的噪声水平和场景，更大规模的高分辨率和高质量的GT。具体而言，它包含了不同场景的阶梯参数和变化照明。此外，基于噪声事件的不一致性和信号事件的一致性的特性，我们提出了一种新颖的有效去噪框架(DED)，使用同质双事件生成更好地将噪声与原始信号分离的GT。此外，我们设计了一个生物启发式的基准线，利用具有动态阈值的漏电积分放电(LIF)神经元实现准确去噪。实验结果表明了所提出方法在不同数据集上的显著性能。该数据集和代码可在 https://github.com/Yee-Sing/led 找到。

论文旨在解决事件相机在复杂场景中噪声干扰的问题，为此构建了一个新的真实世界事件去噪数据集。

论文提出了一种新的事件去噪框架，利用同质双事件生成更好的GT，进而将噪声从原始数据中分离出来。此外，论文还设计了一种基于生物启发式的基线方法。

论文构建了一个新的真实世界事件去噪数据集，包括3K个序列和18K秒的高分辨率（1200*680）事件流。论文提出的事件去噪框架表现出优异的性能，并且基于生物启发式的基线方法也取得了不错的效果。作者还开源了数据集和代码。

近期的相关研究包括《Event-based Vision: A Survey》、《Event-based Object Detection and Tracking: A Survey》等。