Vers la reconstruction d'objets 3D basée sur des voxels de manière néurormorphique et sans a priori physiques

Les caméras néuromorphiques, également appelées caméras événementielles, sont des capteurs de changements de luminosité asynchrones capables de capturer des mouvements extrêmement rapides sans subir d'effet de flou de mouvement. Cela les rend particulièrement prometteuses pour la reconstruction 3D dans des environnements extrêmes. Cependant, les recherches existantes sur la reconstruction 3D à l'aide de caméras néuromorphiques monoculaires sont limitées, et la plupart des méthodes reposent sur l'estimation de priors physiques et utilisent des pipelines complexes en plusieurs étapes.Dans cette étude, nous proposons une méthode d'apprentissage bout-à-bout pour la reconstruction 3D dense par voxels à l'aide de caméras néuromorphiques, éliminant ainsi la nécessité d'estimer des priors physiques. Notre méthode intègre une nouvelle représentation d'événements afin d'améliorer les caractéristiques des arêtes, permettant au modèle proposé d'amélioration des caractéristiques d'apprendre plus efficacement. De plus, nous avons introduit le principe de Sélection du Seuil Binarisation Optimal comme ligne directrice pour les travaux futurs liés, en utilisant les résultats optimaux de reconstruction obtenus grâce à l'optimisation du seuil comme référence.Notre méthode réalise une amélioration de 54,6 % en termes de précision de reconstruction par rapport à la méthode de base.