Lossy Event Compression: From Event Stream Distortion to Task Performance
作者: Zahra Rezaee, Catarina Brites, João Ascenso
分类: cs.CV, eess.IV
发布日期: 2026-08-28
💡 一句话要点
提出基于任务驱动的事件流压缩方法以解决带宽挑战
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 事件相机 损失压缩 任务驱动评估 视频重建 物体检测 光流估计 异步特征跟踪
📋 核心要点
- 现有事件流压缩方法在任务级性能预测上存在不足，导致优化过程依赖昂贵的特定任务评估。
- 本文提出两种事件压缩管道，分别基于聚合和点云，旨在提高压缩效率并降低任务性能损失。
- 实验结果表明，所提的分类基础失真度量能够有效预测压缩引起的任务降级，优于现有度量方法。
📝 摘要（中文）
事件相机生成的异步稀疏数据流具有微秒级的时间分辨率，但在中到高运动场景中，每秒可能产生数亿个事件，造成显著的带宽和存储挑战。因此，损失压缩对于实际部署至关重要。然而，现有的事件流失真度量无法可靠预测压缩引起的任务级降级，迫使编解码器优化依赖昂贵的任务特定评估。为了解决这一问题，本文提出了两种根本不同的事件压缩管道：一种是基于聚合的管道，将事件流转换为基于极性的直方图帧，并使用传统图像编解码器JPEG 2000进行压缩；另一种是无帧的点云管道，使用基于八叉树的编解码器G-PCC将事件原生编码为3D点。通过统一的任务驱动评估框架评估这两种管道，结果表明所提度量能够可靠预测压缩引起的任务降级，提供了未来事件数据编码解决方案开发和优化的直接指导。
🔬 方法详解
问题定义：本文旨在解决现有事件流压缩方法在任务级性能预测上的不足，现有度量无法有效反映压缩对任务性能的影响，导致优化过程复杂且成本高昂。
核心思路：提出两种不同的事件压缩管道，分别为基于聚合的直方图帧压缩和基于点云的3D点编码，旨在通过不同的方式提高压缩效率并降低对任务性能的影响。
技术框架：整体架构包括两个主要模块：第一模块将事件流转换为基于极性的直方图帧，使用JPEG 2000进行压缩；第二模块将事件直接编码为3D点，使用G-PCC进行压缩。评估框架则通过四个代表性任务进行性能测试。
关键创新：首次将分类基础的失真度量应用于事件压缩，提供了一种新的评估方式，能够更准确地预测压缩对任务性能的影响，与现有方法相比具有显著的优势。
关键设计：在设计中，采用了聚合和点云两种不同的编码方式，结合了JPEG 2000和G-PCC编解码器，确保在压缩过程中尽可能保留任务相关信息。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提的分类基础失真度量在不同编码框架下能够可靠预测任务性能的降级，相较于现有度量方法，提升了任务性能预测的准确性，提供了更高效的优化指导。
🎯 应用场景
该研究的潜在应用领域包括自动驾驶、机器人视觉和实时监控等场景，能够有效降低事件相机数据传输和存储的带宽需求，提升系统的实时性能和响应能力。未来，所提出的方法有望推动事件数据编码技术的发展，促进更广泛的应用。
📄 摘要（原文）
Event cameras generate asynchronous, sparse data streams with microsecond temporal resolution, but in moderate-to-high motion scenes they can produce as many as hundreds of millions of events per second, creating significant bandwidth and storage challenges. Lossy compression is therefore essential for practical deployment, yet existing event stream distortion metrics fail to reliably predict compression-induced degradation at the task level, forcing codec optimization to rely on expensive task-specific evaluations. To address this gap, this paper introduces two fundamentally different event compression pipelines: i) an aggregation-based pipeline that converts the event stream into polarity-based histogram frames for compression with the conventional image codec JPEG 2000, and ii) a frame-free point cloud-based pipeline that codes events natively as 3D points using the octree-based codec G-PCC. Both pipelines are then assessed within a unified task-driven evaluation framework that relates event stream distortion to downstream application performance across four representative tasks: i) video reconstruction, ii) object detection, iii) optical flow estimation, and a delay-sensitive task iv) asynchronous feature tracking under a reference-relative protocol. Building on this framework, five classification-based distortion metrics are applied to event compression for the first time, to the best of the authors' knowledge, and benchmarked against existing event stream metrics. Experimental results demonstrate that the proposed metrics reliably predict compression-induced task degradation across different coding frameworks. This demonstrates that event stream distortion assessment can be an efficient alternative to repeated task-specific evaluation, providing direct guidance for the development and optimization of future event data coding solutions.