摘要

事件相机作为新型传感器具有低延迟高动态范围的特点，但是同时事件相机也很敏感容易收到噪声的影响。基于此我们设计了一种具有多尺度自适应感知的事件相机去噪方法，在具有较好去噪效果的同时保证较低的计算量。

本文的核心创新点

1.引入了多尺度的思想，在去噪时使用了多个尺度的信息来保证对噪声点判断的准确性。
2.自适应地使用多尺度的信息
3.首次将SNN引入事件相机的去噪（TODO）

背景与介绍

3tyc7#center|图 1 MLPF图
如图所示，事件相机在捕获数据时会

自适应多尺度设计

考虑到或许在边界等区域小尺度会比大尺度效果更好，参考集成学习的思路，我们设计了一种自适应多尺度的集成方法。
Pasted image 20231012184649图 1 多尺度集成图示#center|图2多的集成
最简单的集成就是对不同尺度分别训练一个模型，对输出结果进行平均，得到一个”平均“的结果。但是这么做很明显不是“最好”的。

考虑一种情况，如果大尺度的输入内容多数都是“0”呢？也就是如果大尺度的数据多数为空的情况下，这种情况下我认为用大尺度的效果不如用小尺度。

因此我考虑设计了这样一个函数：$$f(v)=(sigmoid(\alpha⋅∥v∥_0​)−0.5)×2$$
其中v是输入的向量，α是一个参数，可以手动调节或者自适应计算。
这个函数在做什么呢？首先∥v∥0​反应的是矩阵中非0元素的个数；这个函数的曲线：
5ssse#right|图2
f∈(0,1)可以看到，非0元素越多，这个函数的输出越接近1.

p=f(v)，p作为大尺度结果的权重，