EBF事件去噪滤波器

规则级去噪媲美学习法

利用时空与极性双重信息，用规则方法达到并超越基于学习的去噪性能，同时保持极低的计算与存储开销。

Guo, Shasha · Chenyang, Shi · 74527444 · 金靖 · Lu, Yuliang

IEEE Transactions on Circuits and Systems for Video Technology 2025

技术优势

媲美学习法

在多个数据集和噪声水平下，EBF的精度可以超过或达到基于学习的方法，因此无需部署大型模型即可获得高精度滤波。

轻量可落地

规则类方法计算和存储需求远小于学习类方法，适合在资源受限的边缘设备或实时系统中直接运行。

双域去噪

同时利用事件的时空信息和极性信息，使滤波器能区分噪声和真实事件，从而提高去噪精度。

应用场景

• 事件相机视觉：作为事件相机前端去噪模块，降低噪声事件带来的计算浪费。
• 神经形态视觉：让神经形态视觉系统在保持低功耗的同时提升信号质量。
• 机器人感知：在机器人实时感知中滤除噪声，减轻后续算法负担。
• 工业视觉检测：在高速工业检测中提供精确的事件流，降低误检率。
• 无人机视觉：在无人机视觉中去除背景噪声，提升目标识别稳定性。