Deep Event Visual Odometry

事件相机提供了在高速运动和恶劣光照条件下跟踪相机姿态的令人兴奋的可能性。尽管如此，现有的基于事件的单目视觉里程计（VO）方法在最近的基准测试中表现有限。为了解决这个问题，一些方法采用了额外的传感器，如IMUs、立体事件相机或基于帧的相机。然而，这些额外的传感器限制了事件相机在实际设备中的应用，因为它们增加了成本并使系统要求复杂化。此外，依赖于基于帧的相机会使系统容易受到运动模糊和HDR的影响。为了消除对额外传感器的依赖并推动仅使用单个事件相机的极限，我们提出了Deep Event VO（DEVO），这是第一个在大量实际基准测试中表现强劲的单目仅事件系统。DEVO通过时间稀疏地跟踪选定的事件块。DEVO的一个关键组成部分是一种针对事件数据量身定制的新型深度块选择机制。与仅基于事件的方法相比，我们在七个实际基准测试中将姿态跟踪误差显著降低了高达97％，并且常常超过或接近立体或惯性方法。代码可在https://github.com/tum-vision/DEVO上获得。

解决问题：本论文旨在解决使用事件相机进行单目视觉里程计（VO）时性能受限的问题，尤其是在高速运动和恶劣光照条件下。同时，论文试图消除对额外传感器的依赖，仅使用单个事件相机来实现VO。

关键思路：论文提出了Deep Event VO（DEVO）方法，该方法是第一个仅使用事件相机的单目VO系统，并在多个真实世界基准测试中表现出了强大的性能。DEVO通过稀疏跟踪选定的事件块来跟踪相机的姿态，并采用针对事件数据量身定制的新型深度块选择机制。

其他亮点：论文在七个真实世界基准测试中将姿态跟踪误差显著降低了高达97％，并且经常超过或接近立体或惯性方法的性能。论文提供了可用于复现实验的代码，并且没有使用额外的传感器，从而降低了实现成本和系统要求。

相关研究：最近的相关研究包括使用其他传感器的单目VO方法，例如IMUs，立体事件相机或基于帧的相机。还有其他使用事件相机进行单目VO的方法，但是它们的性能受到限制。