.png){kind=icon}
返回
Self-supervised Shutter Unrolling with Events
.png){kind=icon}
PRE
AI
DOI：10.1007/s11263-025-02364-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
连续时间全局快门视频恢复（CGVR）在从畸变的滚动快门（RS）图像中恢复无失真的高帧率全局快门（GS）视频方面面临巨大挑战。该问题由于滚动快门帧内扫描线和帧间曝光中缺乏时域动态信息而严重病态，尤其是在缺乏相机/物体运动先验知识的情况下。对场景/运动和数据特定特征的常见人工假设在实际场景中容易产生次优解。为解决此挑战，我们提出了一种基于事件的CGVR网络，在自监督学习范式下，即SelfUnroll，并利用事件相机极高的时域分辨率来提供准确的帧间/帧内动态信息。具体而言，提出了一种基于事件的帧间/帧内补偿器（E-IC），用于预测任意时间间隔内的逐像素动态，包括时域过渡和空间平移。通过探索滚动快门-滚动快门（RS-RS）、滚动快门-全局快门（RS-GS）和全局快门-滚动快门（GS-RS）之间的联系，我们明确提出了基于E-IC的相互约束，从而无需全局快门真实图像即可生成监督信号。在合成和真实数据集上的广泛评估表明，所提出的方法达到了最先进水平，并在实际场景中针对基于事件滚动快门到全局快门的反演（RS2GS）展示了卓越性能。数据集和代码可从 https://w3un.github.io/selfunroll/ 获取。
Keyword:
Rolling shutter correction
Event camera
Self-supervised learning
期刊
IF:
9.3
论文数:
3.9K
被引数:
2.8W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏
查看更多内容