在动作模糊图像中检测线段与事件

科学领域:

• 计算机视觉 计算机视觉
• 机器人技术 机器人技术 机器人技术
• 传感器融合式传感器

背景情况:

• 运动模糊在视觉SLAM和3D映射中显著降低线段检测精度.
• 现有的方法在运动模糊条件下与性能降低作斗争.
• 事件数据提供高时间分辨率,最小模糊度和边缘意识,补充图像数据.

研究的目的:

• 开发一种强大的线段检测方法,克服运动模糊的挑战.
• 利用图像和事件数据中的互补信息来改进检测.
• 创建新的数据集用于训练和评估运动模糊下线段检测.

主要方法:

• 设计了一个通用框架事件功能融合网络,结合了通道注意力和自我注意力模块.
• 合并的特征地图使用最先进的线框解析网络进行处理.
• 为了培训和评估,创建了两个数据集,即合成FE-Wireframe和现实的FE-Blurframe.

主要成果:

• 拟议的融合网络在结合图像纹理和事件边缘方面表现出有效性.
• 与最先进的方法相比,该方法实现了最高的检测精度.
• 该方法保持了可比的实时性能,并显示了对运动模糊和高动态范围场景的稳定性.

结论:

• 结合图像和事件数据,为运动模糊下线段检测提供了强大的解决方案.
• 开发的融合网络和数据集有助于在具有挑战性的条件下推进可靠的线路检测.
• 该方法显示了需要在动态环境中精确检测线段的实际应用的潜力.