上海科技大学知识管理系统

事件相机是一种类脑异步传感器，能够以微秒级时间分辨率输出高动态范围、无运动模糊的事件数据，直接捕捉场景中的变化信息。通过深度学习将事件流重建为图像，可应用于多种视觉任务。然而，现有神经网络模型在事件重建中常面临高复杂度、高计算成本，或因过度轻量化而重建效果欠佳的问题。针对这些挑战，本文提出一种结合循环卷积网络与高效通道注意力机制（ECA）的事件重建网络，实现了高效快速的图像重建。实验结果表明，所提方法在事件相机数据集上显著提升了图像重建性能，其均方误差（MSE）、结构相似性（SSIM）和感知相似性（LPIPS）分别达到 0.061、0.60 和 0.38，较现有模型分别提高 6.6%、8.9% 和 11.9%，同时确保了模型轻量化与高效性。