稠密连续时间运动估计的运动先验对比度最大化
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文研究了基于事件相机的光流无监督学习算法，提出了自监督学习框架和新的数据集，以提高光流估计的准确性和效率。实验结果表明，这些方法在多个数据集上表现优越，适用于高频推理和低延迟应用。
❓
Q&A
什么是EV-FlowNet？
EV-FlowNet是一种基于自监督深度学习的光流估计方法，能够准确估计密集光流，并为其他自监督方法提供转移框架。
基于事件相机的光流估计有什么优势？
基于事件相机的光流估计具有高频推理和低延迟的优势，适用于实时应用。
如何提高光流估计的准确性？
通过引入特征相关性与顺序处理的设计思路，可以显著降低光流估计的终点误差，从而提高准确性。
EV-MGRFlowNet的主要特点是什么？
EV-MGRFlowNet使用运动引导的循环网络和混合运动补偿损失，能够更准确地对齐事件，实验结果显示其性能优越。
本文提出了哪些新的光流估计方法？
本文提出了EV-FlowNet、EV-MGRFlowNet和3D-FlowNet等多种新的光流估计方法，均基于事件相机。
如何处理事件数据的关联？
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，可以隐式处理事件数据的关联。
🏷️
