Denoising de sensores basados en eventos con redes neuronales profundas

Como un novedoso sensor de imagen asíncrono, la cámara de eventos presenta un bajo consumo de energía, baja latencia temporal y un alto rango dinámico, pero abundante ruido. En aplicaciones reales, es esencial suprimir el ruido en las secuencias de eventos de salida antes del análisis sucesivo. Sin embargo, la cámara de eventos tiene representación de eventos de dirección (AER), y requiere el desarrollo de nuevas técnicas de denoising en lugar de los métodos convencionales de denoising de imágenes basadas en cuadros. En este artículo, proponemos dos métodos basados en aprendizaje para el denoising de mediciones de sensores basados en eventos, es decir, un auto-codificador de denoising convolucional (ConvDAE) y una red neuronal recurrente de fragmentos de secuencia (SeqRNN). El primero convierte la secuencia de eventos en imágenes 2D antes del denoising, lo que es compatible con los desenfoques profundos existentes y las tareas de visión de alto nivel. El segundo, utiliza las ventajas de las redes neuronales recurrentes en el tratamiento de series temporales para realizar el denoising en línea mientras mantiene la representación AER original del evento. Experimentaciones basadas en datos reales demuestran la efectividad y flexibilidad de los métodos propuestos.