arXiv Computer Vision· Qiushi Dai, Aniket Dashpute, Yuhao Liu, Rishubh Parihar, Guha Balakrishnan, Ashok Veeraraghavan·· 13 小时前AI 评分31
eSharp：基于扩散模型的锐利单目度量事件相机深度估计
eSharp: Diffusion-based Sharp Monocular Metric Event-to-Depth Estimation
AI 导读
eSharp 是一个仅用事件相机做单目度量深度估计的框架，复用预训练扩散先验，在真实数据上输出准确度量深度并具备极高锐度。针对真实事件数据集只有稀疏 LiDAR 深度监督的问题，它通过跨模态蒸馏，用空间配准的帧相机生成经 LiDAR 校准的稠密伪标签来训练。实验显示其在度量深度精度和空间保真度上均优于以往事件到深度基线。
推荐理由模型分析
eSharp 针对事件相机单目深度估计的两个实际瓶颈：快速运动和高动态范围场景下传统帧式方法失效，以及真实事件数据只有稀疏 LiDAR 深度、难以做稠密监督。它复用预训练扩散先验做纯事件深度估计，并用空间配准的帧相机生成 LiDAR 校准的稠密伪标签做跨模态蒸馏。做事件视觉、机器人导航或工业检测的开发者可据此比较其与既有 event-to-depth 基线的精度和空间保真度，但结论限于论文实验条件。
来源：arXiv Computer Vision · arxiv.org