[2025CVPR]HUGNet2架构:事件相机光流估计

一、研究背景与问题​

1. ​事件相机的优势​

   • 异步检测光强变化，微秒级时间分辨率，适用于低延迟、低功耗的光流估计（如自动驾驶、避障）。
   • ​传统方法的局限​：
     • 基于帧的CNN方法需构造事件帧，丧失异步计算和低延迟潜力。
     • 纯事件图方法（如HUGNet）避免时间累积，但缺乏全局上下文，精度受限。

2. ​核心挑战​

   • 如何平衡精度​（需时间/空间聚合）与超低延迟​（避免未来数据依赖）。

 

---

​二、创新方法：HUGNet2+PA架构​

提出双分支混合架构（图2），结合异步事件图与周期性聚合：

1. ​事件分支（HUGNet2）​​

   • ​改进HUGNet​：移除归一化与法向量计算（避免未来数据依赖），首层改用PointTransformerConv（精度↑，参数量↓）。