通过特征相似度匹配统一事件驱动的流量、立体和深度估计
原文中文，约1300字，阅读约需4分钟。
📝
内容提要
本文介绍了基于事件相机的动态视觉传感器及其在光流估计、立体匹配和深度估计等计算机视觉任务中的应用，提出了多种新方法和框架，显著提高了性能，并在多个数据集上验证了其有效性。
❓
Q&A
事件相机的主要特点是什么？
事件相机具有高动态范围、高时间分辨率和低功耗的特点。
如何提高事件立体匹配的性能？
通过连续利用先前时间步骤的信息来提高事件立体匹配的性能。
3D-FlowNet网络在光流估计中有什么优势？
3D-FlowNet网络采用自监督训练策略，能够在光流估计中表现更好。
提出的稠密光流计算方法有什么创新之处？
该方法通过引入特征相关性与顺序处理设计，显著降低了终点误差。
如何利用事件相机进行无监督学习？
通过事件流中的运动信息来学习运动，并训练网络进行光流和深度预测。
VisEvent基准测试的目的是什么？
VisEvent基准测试旨在验证模型的有效性，包含820个视频对，反映现实场景中的物体运动。
🏷️
