Event-Based Motion Estimation via Oriented Distance Fields

📄 arXiv: 2608.24223v1 📥 PDF

作者: Lei Sun, Yuqin Ma, Weilun Li, Haoran Liang, Runyi Yang, Kaiwei Wang, Danda Pani Paudel, Luc Van Gool

分类: cs.CV, cs.RO

发布日期: 2026-08-25

💡 一句话要点

提出定向距离场运动估计以解决事件驱动运动估计的低延迟问题

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 事件驱动 运动估计 低延迟 图像去模糊 低功耗追踪 深度学习 计算机视觉

📋 核心要点

  1. 现有的事件驱动运动估计方法通常依赖于复杂的迭代优化，导致延迟较高，无法充分利用传感器的低延迟特性。
  2. 本文提出了定向距离场运动估计（ODF运动估计），通过单次平均事件距离向量场来简化运动估计过程，提升效率。
  3. ODF运动估计在多个数据集上实现了亚像素精度，并在低延迟下表现优越，验证了其在图像去模糊和低功耗追踪中的应用潜力。

📝 摘要（中文）

事件驱动的运动估计在高时间分辨率和快速运动的鲁棒性方面至关重要。现有方法通常依赖于迭代优化或重复假设比较，抵消了传感器低延迟的优势。本文提出了定向距离场运动估计（ODF运动估计），通过对预计算的事件距离向量场进行单次平均，结合自适应事件计数选择策略和无参数轨迹滤波器，替代了传统的优化过程。在公共和自收集的数据集上，ODF运动估计在最低延迟下达到了亚像素精度。我们在两个下游应用中验证了其通用性，而不是将其视为独立贡献。首先，估计的轨迹被转换为模糊核，并与一个紧凑的迭代展开网络配对，用于实时非盲图像去模糊，达到了竞争或优于1M参数下的PSNR/SSIM。其次，相同的预计算场被重新用于低功耗异步瞳孔和反光追踪器中的方向事件过滤，保持稳定跟踪数十秒，同时降低近眼模块的功耗。

🔬 方法详解

问题定义：本文旨在解决事件驱动运动估计中的高延迟问题，现有方法依赖于迭代优化，导致无法充分利用传感器的低延迟特性。

核心思路：提出定向距离场运动估计（ODF运动估计），通过对预计算的事件距离向量进行单次平均，结合自适应事件计数选择和无参数轨迹滤波器，简化了运动估计过程。

技术框架：ODF运动估计的整体架构包括预计算事件距离场、事件计数选择模块和轨迹滤波器。首先，计算事件距离向量场，然后根据自适应策略选择事件计数，最后应用轨迹滤波器进行平滑处理。

关键创新：ODF运动估计的核心创新在于用单次平均替代传统的迭代优化，显著降低了延迟，同时保持了高精度。这一方法与现有方法的本质区别在于其高效性和实时性。

关键设计：在设计中，采用了自适应事件计数选择策略，以动态调整参与估计的事件数量，确保在不同场景下的鲁棒性。此外，轨迹滤波器的设计无参数化，简化了模型的复杂性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，ODF运动估计在多个公共和自收集数据集上达到了亚像素精度，并在与其他方法的比较中表现出最低的延迟。具体而言，ODF运动估计在图像去模糊任务中达到了优于1M参数的竞争性PSNR/SSIM，展示了其在实际应用中的有效性。

🎯 应用场景

该研究的潜在应用领域包括实时图像处理和低功耗视觉追踪，特别适用于无人驾驶、机器人导航和增强现实等需要快速响应的场景。通过提高运动估计的效率和精度，ODF运动估计有望推动相关技术的进步，提升用户体验。

📄 摘要（原文）

Event-based motion estimation is central to tasks that demand high temporal resolution and robustness to fast motion. Existing methods typically rely on iterative optimization or repeated hypothesis comparison, offsetting the sensor's low-latency advantage. We propose Oriented Distance Field Motion Estimation (ODF Motion Estimation), which replaces this optimization with a single averaging step over a precomputed field of event distance vectors, combined with an adaptive event-count selection strategy and a parameter-free trail filter. On public and self-collected datasets, ODF motion estimation reaches sub-pixel accuracy at the lowest latency among compared methods. We validate its generality on two downstream applications rather than treating them as separate contributions. First, the estimated trajectory is converted into a blur kernel and paired with a compact iterative-unfolding network, trained on simulated motion-estimation noise, for real-time non-blind image deblurring, attaining competitive or superior PSNR/SSIM with under 1M parameters. Second, the same precomputed field is repurposed for directional event filtering in a low-power asynchronous pupil and glint tracker, sustaining stable tracking for tens of seconds while lowering a near-eye module's power draw.