基于事件的马赛克束调整

提出了一种新的方法用于在全景设置中进行事件摄像机的跟踪，能够处理快速移动物体和动态场景。

基于事件相机的框架解决运动、深度和光流估计问题，通过最大化图像平面上与事件数据最佳对齐的点轨迹对比度来恢复运动参数。

提出了一种新方法独立估计相机的全局旋转，改进旋转平均的精度，并对不准确的平移和结构具有免疫力。

基于滚动快门相机的相机姿态估计和环境几何估计的鲁棒快速Bundle Adjustment解决方案，避免平面退化并加速计算。

通过使用高速旋转的线性偏振器和事件相机，提出了一种事件极化成像的解决方案，性能显著优于基于物理的方案。

提出了一种新的捆绑调整目标，不依赖于图像特征的重新投影误差，保持与传统捆绑调整相当的精度。

针对线性运动估计问题，提出了一种非线性参数化方法和新颖的5点求解器，生成更稳定的相对运动估计。

提出了基于事件的旋转姿态束调整方法，用于构建事件相机旋转姿态的SLAM系统，促进进一步研究。

构建了一个大规模事件图像数据集，并提出了一种适用于真实低光场景的图像增强方法EvLight，显著超越基于帧的方法。

针对现有滚动快门束调整方法的局限性，提出了一种基于线的滚动快门束调整解决方案RSL-BA，证明了其效率和准确性。