想象一座古城，城墙上只有两种“值班的眼睛”。第一种是监控录像：它雷打不动地每秒拍一张照片，无论深夜里是否有人经过，都一张不落地录下来。第二种是巡夜的更夫：他不拍照片，只拎着灯笼来回走动，一旦发现火光变亮、人影闪动、有黑影翻墙，就立刻敲响梆子——“子时三刻，东墙第三个垛口，有人由暗变亮！”监控的画面又多又全，可等你翻完一百张照片，小偷早已消失在夜色里；更夫的报信又少又准，从变化发生到他敲响梆子，不过一瞬间。事件相机（Event Camera）就是这位“不睡觉的更夫”：镜头里每个小格子（像素）都像一位独立站岗的哨兵，只在“亮度变化”超过一定幅度时发出消息。它从不出产完整的“照片”，却能用一条条简短的事件，把运动、速度、时序变化讲得清清楚楚。这套“用变化驱动计算、按需响应”的思路，就是事件驱动计算。

岗位关联

掌握事件相机，等于拿到打开实时感知大门的钥匙——高速视觉、机器人导航、工业质检中，它可能比传统方案快两个数量级，是下一代感知系统的关键技能。

目录
  1. 可视化演示
  2. 传感器原理：不睡觉的夜巡更夫
  3. 事件数据格式：一声梆子的四要素
  4. 噪声特征：风吹草动与假警报
  5. 核心优势：更快、更宽、更省
  6. 应用场景：夜巡人的用武之地
  7. 数据融合：监控与更夫联手
  8. 方案比较：三套值守方案怎么选
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示DVS传感器异步检测、AER事件数据流格式及事件与帧相机融合方案，交互切换理解事件驱动视觉核心技术。

本节配有交互动效（进入视口后自动加载，约 3KB）。

'+modeData.dvs.caption+'

传感器原理：不睡觉的夜巡更夫

更夫为什么能在黑暗中看见小偷？因为他盯的不是“画面”，而是“变化”。监控录像必须把整面城墙完整拍下来，每秒一帧不落；更夫却只关心一件事：眼前这片光影，和刚才相比，是变亮了还是变暗了？只要变化幅度超过他心里那把“尺子”，他就立刻敲响梆子。

这颗“心中尺子”被做成了芯片，就是 DVS（Dynamic Vision Sensor，动态视觉传感器）。它不像普通相机那样在固定时刻给所有像素统一“拍照”，而是让每个像素独立、异步地监视自己的光强变化。一旦某个像素上亮度的对数值变化量超过设定阈值 C，该像素立刻输出一个事件。

为什么用“对数亮度”而不是直接亮度？因为人眼和传感器对亮度的感知是乘性的：昏暗房间里点一根蜡烛，变化极其明显；烈日下再点一根，几乎无感。取对数后，“相对变化”才被公平度量。事件触发条件写作：

更夫守了一夜，可能只敲了几十次梆子，但每一次都恰好发生在变化出现的那一刻。DVS 的响应延迟只有几十微秒，相当于更夫的耳朵比监控快了几百倍——它不需要整幅画面，只需要“何时、何地、变了多少”。

∣Δln⁡I(x,y,t)∣≥C\displaystyle |\Delta \ln I(x,y,t)| \geq C
通俗说：像素的“对数亮度”变化幅度超过阈值 C 就触发事件；C 通常取 10%–15%，相当于更夫只对“明显变化”敲梆子。
  1. 绝对值符号不管变亮还是变暗，只要变化的“幅度”足够大都要触发。
    ∣Δln⁡I∣|\Delta \ln I|
  2. 对数亮度差把两个时刻的亮度取自然对数后相减，得到相对变化。
    Δln⁡I=ln⁡I(x,y,t)−ln⁡I(x,y,t−Δt)\Delta \ln I = \ln I(x,y,t) - \ln I(x,y,t-\Delta t)
  3. 对比度阈值传感器的灵敏度旋钮，越小越敏感、也越容易引入噪声。
    CC
  4. 触发判断差值达到阈值时，该像素异步发出一个事件。
    ∣Δln⁡I(x,y,t)∣≥C|\Delta \ln I(x,y,t)| \geq C

事件数据格式：一声梆子的四要素

更夫敲梆子从不含糊，他必须喊清四件事：什么时候、在哪个垛口、发生了什么、变亮还是变暗。指挥官听到这声梆子，不用看监控也能判断局面。事件相机发出的每一条事件，恰好也包含这四个要素——它就是一行数字化的“梆子声”。

这类传感器的原始输出不是图像矩阵，而是一条“事件流”（event stream）。其中每一条事件都是一个四元组：

因为事件“按需产生”，静态场景下几乎没有任何输出，整个数据流极度稀疏（sparse）。同样的场景，传统相机每秒输出 60 帧乘百万像素的冗余数据，事件相机可能每秒只有几千条事件。稀疏带来两个直接好处：占用带宽小、端到端延迟低。

更夫一句话顶得上一百张监控照片，因为他说的是“变化”而非“画面”。事件流也正是如此：用最精简的四元组，把动态信息完好保留。

ek=(xk, yk, tk, pk),pk∈{+1,−1}\displaystyle e_k = (x_k,\ y_k,\ t_k,\ p_k), \quad p_k \in \{+1, -1\}
一条事件 = 位置坐标 + 时间戳 + 极性，合起来就是更夫那句“子时三刻、东墙垛口、黑影变亮”。
  1. 事件编号k 表示这是事件流中的第 k 条事件。
    eke_k
  2. 像素坐标x_k、y_k 记录事件发生在图像的哪一行、哪一列。
    (xk, yk)(x_k,\ y_k)
  3. 时间戳t_k 记录事件发生的精确时刻，分辨率可达微秒级。
    tkt_k
  4. 极性p_k 取 +1 表示“变亮”，取 -1 表示“变暗”。
    pk∈{+1,−1}p_k \in \{+1, -1\}

噪声特征：风吹草动与假警报

更夫也会误报。风把灯笼吹得晃了一下，墙根的老鼠撞翻了瓦片——这些“假警报”同样会让他敲梆子。如果乱报太多，指挥官就不敢信他了。事件相机同样受“风吹草动”困扰，这类噪声在文献中叫背景活动（Background Activity, BA）事件。

BA 噪声主要源于传感器电路的暗电流和热噪声：哪怕场景完全静止，个别像素也会因电子随机涨落偶发越过阈值，输出孤立事件。这类噪声在时间上近似服从泊松过程——就像更夫偶尔被风声惊动，敲一两下又安静下来。

好在真事件与噪声有显著区别：真事件往往与相邻像素“结伴而行”——一条运动边缘会同时触发一串相邻像素；噪声事件则是孤立、随机散布的。因此经典去噪方法是“时空相关性滤波”：检查一个事件的时间窗和空间邻域，若它周围找不到足够多的邻居，就当作假警报滤除。

更夫经历历练后，学会了分辨“老鼠窜过”和“黑影翻墙”——看动静是否成片出现。时空滤波做的正是这件事：利用“真实变化从不孤单”的规律，把杂音留在夜色里。

P(k)=(λΔt)ke−λΔtk!\displaystyle P(k) = \frac{(\lambda\Delta t)^k e^{-\lambda \Delta t}}{k!}
公式说的是：在 Δt 这段时间里恰好出现 k 个噪声事件的概率。λ 是噪声发生率，场景越暗、温度越高，λ 通常越大。
  1. 泊松分布描述“单位时间内随机事件发生次数”的经典概率模型。
    P(k)P(k)
  2. 平均发生率λ 表示单位时间内的平均噪声事件数。
    λ\lambda
  3. 时间窗口Δt 是我们观察的时间长度。
    Δt\Delta t
  4. 组合概率把“发生率 × 时长”代入泊松公式，得到恰好发生 k 次的概率。
    (λΔt)ke−λΔtk!\frac{(\lambda\Delta t)^k e^{-\lambda\Delta t}}{k!}

核心优势：更快、更宽、更省

为什么城防要同时设监控和更夫？因为更夫有三样本事：反应快——火光一闪梆子就响；眼睛毒——再黑的夜也能看见火把；力气省——跑一晚上不费粮。事件相机的三大核心优势，恰好对应这三样本事。

首先是时间分辨率。事件从发生到输出只有微秒级延迟，而传统相机受制于帧率，最快也要千分之一秒。其次是动态范围（Dynamic Range，DR）：普通 CMOS 相机一般 60–70dB，事件相机可达 120dB 以上——相当于更夫既能看清烛火，也不怕正午烈日。

第三是数据效率。事件相机只在亮度变化时输出，静态场景几乎零功耗、零带宽；高速运动时也不会产生运动模糊（motion blur），因为“快门”是自适应开启的——物体动得快，事件就出得多。三条优势叠加，让事件相机成为高速视觉场景的天然选择。

更夫能在一团漆黑中发觉三丈外的火折子，能在小偷翻墙的瞬间敲响梆子，还能整夜值守不需换班。这些“人设”落到传感器上，就是高动态范围、微秒延迟与低功耗——三个词，恰好是事件相机的名片。

DR=20log⁡10Imax⁡Imin⁡\displaystyle DR = 20\log_{10}\frac{I_{\max}}{I_{\min}}
动态范围 = 传感器能同时分辨的最亮与最暗之比（取分贝）。120dB 意味着最亮处可达最暗处的 100 万倍。
  1. 动态范围衡量传感器“宽容度”的指标。
    DRDR
  2. 对数刻度用 20 倍以 10 为底的对数把比值转成分贝。
    20log⁡1020\log_{10}
  3. 亮暗比值I_max 与 I_min 分别是可分辨的最大、最小光强。
    Imax⁡Imin⁡\frac{I_{\max}}{I_{\min}}
  4. 直观换算每 20dB 对应十倍光强比。
    120dB=106 倍120\text{dB} = 10^6\,\text{倍}

应用场景：夜巡人的用武之地

有了身手不凡的夜巡人，城里哪些岗位最适合他？答案是：凡是“变化快、光线乱、来不及一帧一帧看”的地方。

高速视觉检测是第一个大本营。工业相机在检测每秒旋转一万转的轴承时，一帧画面里叶片早已糊成一片；事件相机则只在“叶片边缘扫过像素的瞬间”输出事件，边缘位置被精确定位到微秒时刻。事件速率与场景对比度、运动速度的关系可写成：

机器人感知是第二大战场。四旋翼无人机在快速旋转时，传统视觉里程计经常丢帧，而事件相机“只要有相对运动就有数据”的特性天然适配敏捷飞行；在 AR/VR 里，事件流用于手部追踪和眼球追踪，把定位延迟压到几毫秒以内。

更夫最怕的是“一切如常”，因为那意味着无事可报。可这正是他的价值：世界一旦动起来，他比谁都清醒。高速运转的工厂、急速飞行的无人机、来回扫动的机械臂，都是他的主场。

Re∝∣∇ln⁡I⋅u∣\displaystyle R_e \propto |\nabla \ln I \cdot \mathbf{u}|
事件速率与“局部对比度 × 运动速度”成正比：物体动得越快、纹理越清晰，事件就越密集。这正是高速场景能“以事件代帧”的数学根源。
  1. 事件速率单位时间、单位区域内产生的事件数。
    ReR_e
  2. 空间梯度亮度对数在空间上的变化率，代表局部对比度。
    ∇ln⁡I\nabla \ln I
  3. 光流向量场景在像素平面上的运动速度。
    u\mathbf{u}
  4. 点积投影对比度与运动速度在运动方向上的投影相乘，决定事件密度。
    ∣∇ln⁡I⋅u∣|\nabla \ln I \cdot \mathbf{u}|

数据融合：监控与更夫联手

更夫虽快，却有个致命短板：他只报变化，报不出“城墙的砖是什么颜色、城楼上写着什么字”。监控虽然慢、虽然糊，却能留住完整细节。聪明的城防官把两者结合起来：用更夫实时报警，用监控回放取证。这正是今天事件相机的落地姿势——数据融合。

传统相机提供稠密纹理与语义信息，事件相机提供高速变化信息，二者在时间上天然互补。融合的第一步是时空配准：把事件坐标、时间戳与帧图像对齐；随后经典做法是“事件引导帧重建”——用事件流填充相邻两帧之间的运动空隙：

深度学习时代更常用的是特征级融合：事件流经脉冲网络或 3D 卷积编码成时空特征，与帧图像特征在特征空间对齐拼接，再送入检测、分割或跟踪网络。事件分支提供“什么时候动、往哪动”的线索，帧分支提供“是什么、长什么样”的答案。

更夫与监控的配合，让城防从“看得全”升级为“看得快”。融合方案的意义正在于此：快与细，两者兼得。

I^(t)=I(tref)+C∑tref<tk≤tpk\displaystyle \hat{I}(t) = I(t_{\text{ref}}) + C\sum_{t_{\text{ref}} < t_k \le t} p_k
以参考时刻的帧为底图，把之后每条事件的极性乘以阈值逐像素累加，就能在任意时刻“插值”出一张清晰帧。帧是骨架，事件是血肉。
  1. 参考帧t_ref 时刻传统相机拍下的清晰图像。
    I(tref)I(t_{\text{ref}})
  2. 事件累加把参考帧之后每一条事件的极性逐像素累加。
    ∑tref<tk≤tpk\sum_{t_{\text{ref}} < t_k \le t} p_k
  3. 对比度换算每条事件对应的亮度变化幅度 C。
    CC
  4. 重建结果任意 t 时刻的亮度估计。
    I^(t)\hat{I}(t)

方案比较：三套值守方案怎么选

城防官要批预算了：只请更夫最省钱，只装监控最省心，两个都要最贵但最稳。选哪套，取决于城里发生的事有多快、多暗、多重要。

纯事件相机方案延迟最低、动态范围最大，适合对速度极致敏感的高速检测与自主导航，但缺乏静态纹理，生态系统（标定、算法库、人才）远不如图像方案成熟。纯传统相机方案算法生态完整、价格便宜、画质精细，但在极快、极暗、极亮场景下会漏报或失真。融合方案性能最好，却要同时处理两路数据流，硬件、标定和部署成本更高。带宽对比可以写成：

选型口诀：动得快、光变态、功耗紧——上事件相机；要精修细节、复用老算法——守传统方案；要极致性能、预算充足——选融合。目前工业界最成熟的落地形态，往往是“传统相机为主、事件相机为眼”，在关键路径上让事件流做主控。

预算批给谁？如果城墙外是寂静山林，一台监控足够；如果面对的是一群来去如飞的盗贼，那就必须请更夫出马。技术选型从来不是“谁取代谁”，而是“谁在什么时刻更可靠”。

Bframe=Rs⋅W⋅H⋅3 ≫ Bevent=rˉe⋅8\displaystyle B_{\text{frame}} = R_s \cdot W \cdot H \cdot 3 \ \gg\ B_{\text{event}} = \bar{r}_e \cdot 8
帧方案固定输出“帧率 × 像素 × 通道”的冗余数据；事件方案只输出“事件率 × 8 字节”。静态场景下二者相差 2–3 个数量级。
  1. 帧带宽每秒传输的帧数据字节数。
    Bframe=Rs⋅W⋅H⋅3B_{\text{frame}} = R_s \cdot W \cdot H \cdot 3
  2. 事件带宽每秒传输的事件字节数，每条事件约 8 字节。
    Bevent=rˉe⋅8B_{\text{event}} = \bar{r}_e \cdot 8
  3. 稀疏比两者之比就是数据的稀疏程度。
    ρ=Bevent/Bframe\rho = B_{\text{event}} / B_{\text{frame}}
  4. 实用结论ρ 通常在 1/100 到 1/10000 之间。
    ρ≪1\rho \ll 1

AI 应用场景

工业高速视觉检测

阶段：数据采集与感知

解决的问题：传统相机在检测高速旋转部件时帧率不足、图像运动模糊，一个 1 万转/分钟的叶片扫过视场只需几毫秒，普通算法根本抓不住关键帧。事件相机以微秒级事件流捕捉“变化发生的瞬间”，AI 模型直接吃事件流即可完成检测，不再受帧率瓶颈限制。

具体案例：某轴承产线在传动轴以 8000 转/分钟旋转时，事件相机捕捉叶片边缘的每一丝形变，AI 模型仅凭事件流完成裂纹识别，漏检率比传统方案降低一个数量级，且无需强光频闪补光。

无人机敏捷避障

阶段：实时感知与决策

解决的问题：传统视觉里程计在无人机剧烈旋转或快速穿越明暗区域时容易丢帧，导致定位漂移甚至撞墙。事件相机“零冗余、微秒级”的输出配合轻量级神经网络，可将感知延迟压到毫秒级，让控制回路及时反应。

具体案例：竞速无人机在树林中以 10m/s 穿梭，事件相机 + AI 把感知延迟压到 3ms 以内，系统能提前约 30ms 预测障碍物轨迹并完成急转，穿越成功率明显高于纯帧方案。

视觉 SLAM 融合建图

阶段：多传感器融合

解决的问题：普通相机在明暗交替场景（如驶出暗棚的瞬间）会过曝或欠曝，特征点瞬间丢失。把事件流与传统帧在时空上配准融合后，事件相机在过渡期持续输出边缘信息，补上传统 SLAM 的“失明时刻”。

具体案例：仓储机器人在驶出暗棚的瞬间，传统 SLAM 定位短暂丢失；加入事件相机后用事件流维持特征连续性，定位全程不中断，回归误差下降约 40%。

Python 演示

python52 行
import mathimport random W, H, C = 32, 24, 0.15 def brightness(t, x, y):    cx = 8 + t * 2.0    d = math.hypot(x - cx, y - H / 2)    return 0.1 + 10.0 * math.exp(-d * d / 12.0) def simulate_events(T=80, noise_rate=0.02):    events = []    last_log = {}    for k in range(T):        t = k / 10.0        for y in range(H):            for x in range(W):                v = math.log(brightness(t, x, y))                prev = last_log.get((x, y), v)                diff = v - prev                if abs(diff) >= C:                    events.append((round(t, 2), x, y, 1 if diff > 0 else -1))                if random.random() < noise_rate:                    events.append((round(t, 2), random.randrange(W), random.randrange(H), random.choice([1, -1])))                last_log[(x, y)] = v    events.sort()    return events def spatio_temporal_filter(events, dt=0.3, ds=1):    keep = []    for i, ev in enumerate(events):        win = events[max(0, i - 40):i + 40]        near = sum(1 for e in win if abs(e[0] - ev[0]) <= dt and abs(e[1] - ev[1]) <= ds and abs(e[2] - ev[2]) <= ds)        if near >= 3:            keep.append(ev)    return keep def reconstruct(events, ref=0.1):    frame = {}    for t, x, y, p in events:        if t >= ref:            frame[(x, y)] = frame.get((x, y), 0) + p    return frame if __name__ == "__main__":    random.seed(42)    raw = simulate_events()    clean = spatio_temporal_filter(raw)    image = reconstruct(clean)    print("原始事件:", len(raw), "去噪后:", len(clean))    print("重建非零像素数:", len(image))    print("样例事件:", raw[:5])
目的：模拟一个事件相机的完整工作流——从亮度变化生成四元组事件流，到时空去噪滤除背景活动噪声，再到用极性累加重建图像。
  1. if abs(diff) >= C:判断对数亮度变化是否越过阈值，这是触发事件的唯一条件。
  2. events.append((round(t, 2), x, y, 1 if diff > 0 else -1))把事件按四元组 （时间，x, y, 极性） 记录。
  3. if random.random() < noise_rate:按概率注入随机孤立事件，模拟背景活动噪声。
  4. win = events[max(0, i - 40):i + 40]取出时间上相邻的事件作为待检邻域。
  5. near = sum(1 for e in win if abs(e[0] - ev[0]) <= dt and abs(e[1] - ev[1]) <= ds and abs(e[2] - ev[2]) <= ds)统计时空近邻数，真事件通常成群出现。
  6. if near >= 3:邻居太少即视为孤立噪声，滤除。
  7. frame[(x, y)] = frame.get((x, y), 0) + p把极性累加回像素，实现“事件重建帧”。
  8. random.seed(42)固定随机种子，保证实验结果可复现。

常见误区

误区我以为事件相机就是把普通相机调到 1000 帧/秒，本质还是每隔固定时间拍一张照片，只是拍得更勤快。

正解完全不同。事件相机没有“帧”的概念，每个像素独立异步工作，只在亮度变化超过阈值时输出事件，时间戳精确到微秒。它记录的是“变化”，而普通相机记录的是“瞬间画面”。就像高速录像和更夫的工作方式，本质上是两回事。

为何常见：我们习惯了“视频 = 一串图片”的思维，很难想象一种完全异步、每个像素自主工作的传感器形态。

误区事件数越多说明传感器采集到越多信息，模型效果肯定越好，所以调低阈值把事件刷爆。

正解事件流里混着大量背景活动噪声，尤其暗光、高温环境下噪声占比很高。真事件有空间邻域相关性，噪声是孤立的；无脑堆事件只会拉低信噪比，必须先做时空去噪再喂给模型。

为何常见：“数据量大 = 信息多”的直觉在传统视觉里通常成立，但事件流里“量”不等于“信噪比”。

误区事件相机延迟低、功耗省、动态范围大，等它普及了普通相机就该被淘汰。

正解事件相机对静态场景“视而不见”，输出为零，提供不了颜色、纹理、语义细节。传统相机在慢速、高画质、成熟生态场景中依然不可替代。业界主流是两者融合，而不是取代。

为何常见：看到事件相机在高速场景的惊艳表现，容易高估它的全能性，忽略了“只报变化”的天生局限。

误区夜间没有亮度变化，事件相机就“瞎”了，所以夜间场景只能靠传统相机。

正解事件相机检测的是“相对变化”而非“绝对亮度”，只要场景中存在任何可见光或红外光的相对变化，它都能工作；120dB 以上的动态范围反而比普通相机更适应明暗剧变。真正的问题是毫无光照时“没有任何变化可测”，这一点所有成像传感器都一样。

为何常见：把“检测亮度变化”误解成“需要明亮环境”，其实它需要的是“变化”，不是“亮”。

面试题

Q1. 事件相机与传统相机最本质的区别是什么？

单选题 · easy

  • A.事件相机按需异步输出亮度变化← 正确答案
  • B.事件相机的体积更小重量更轻
  • C.事件相机的像素数量大幅提升
  • D.事件相机内置人工智能芯片

答案：A。事件相机的本质是每个像素独立异步检测亮度变化并输出事件，而不是按固定帧率输出完整图像。B、C、D 描述的是体积、像素数量与芯片等外围特性，并非根本区别。更夫与录像之别，在于“报变化”而非“拍全景”。

Q2. 事件数据四元组中不包含下列哪一项？

单选题 · easy

  • A.事件发生时刻的精确时间戳
  • B.事件所在像素的横向纵坐标
  • C.事件发生位置的灰度值大小← 正确答案
  • D.事件变亮变暗方向的极性

答案：C。事件四元组只包含时间戳、像素坐标和极性，不包含灰度信息——事件相机天生不输出“像素当时的亮度值”。A、B、D 都在四元组中，C 不在。就像更夫只喊“何时何地变亮变暗”，不会描述城墙砖的颜色。

Q3. 事件触发的核心条件是什么？

单选题 · easy

  • A.亮度绝对值超过某给定上限值
  • B.对数亮度变化超过设定阈值← 正确答案
  • C.像素颜色发生明显的变化
  • D.画面整体平均亮度大幅突变

答案：B。DVS 的触发条件是“对数亮度相对变化超过阈值 C”，关键词是“相对变化”，而不是绝对亮度、颜色或整体均值。绝对亮度再高、只要没变化，也不会触发事件；这正是更夫“只盯变化、不看绝对值”的工作方式。

Q4. 事件相机的极性 p 取 +1 表示什么？

单选题 · mid

  • A.该像素的亮度相对于参考帧变亮← 正确答案
  • B.该事件的亮度变化方向为变暗
  • C.该事件对应物体正在向左运动
  • D.该事件对应颜色通道是红色

答案：A。极性 +1 表示该像素检测到亮度上升（变亮），-1 表示变暗。A 正确；B 把方向说反；C、D 混淆了运动方向和颜色通道。极性如同更夫喊话中的“由暗变亮”还是“由亮变暗”。

Q5. 关于背景活动噪声的说法正确的是？

单选题 · mid

  • A.噪声事件往往成片出现易于区分
  • B.噪声主要来自电路热随机涨落← 正确答案
  • C.噪声只在光线强烈的环境下出现
  • D.噪声事件带有确定的时间规律

答案：B。背景活动噪声主要源于传感器电路的暗电流与热噪声，属于随机孤立事件，B 正确；A 中“成片出现”恰恰是真事件的特征；C、D 与噪声特性不符。噪声如同风吹草动的误报，孤立而随机。

Q6. 事件相机在静态场景下表现如何？

单选题 · mid

  • A.持续输出全分辨率高帧率图像
  • B.几乎不输出事件数据从而零冗余← 正确答案
  • C.输出大量噪声迫使系统停机
  • D.转用传统模式拍摄普通视频

答案：B。静态场景没有亮度变化，事件相机几乎不输出任何事件，数据量近乎为零、无冗余，B 正确；A、D 是帧相机行为；C 中噪声虽存在但不会“迫使停机”。更夫在无事发生的一夜里，可以一整夜只敲几声梆子。

Q7. 时空相关性去噪的原理是什么？

单选题 · hard

  • A.把图像傅里叶变换后滤掉高频分量
  • B.孤立事件若缺少时空邻居则视为噪声← 正确答案
  • C.用深度学习模型增强事件流清晰度
  • D.把所有事件的极性统一为同一种

答案：B。时空相关性去噪的核心判断是：真实事件往往与时空近邻“结伴出现”，孤立事件更可能是噪声，B 正确；A 是图像频域处理；C 偏离经典原理；D 明显错误。噪声是“落单的更夫误报”，真事件是“一队巡夜人同时敲梆子”。

Q8. 事件相机与传统相机融合的首要步骤是？

单选题 · hard

  • A.对两路数据进行准确的时空配准← 正确答案
  • B.把事件数据全部丢弃只保留图像
  • C.将两路数据合并为同一帧画面
  • D.用事件流直接替换现有图像传感器

答案：A。融合的第一步是时空配准：把事件坐标与帧图像坐标、两路时间戳精确对齐，否则后续重建与融合都建立在错位数据上，A 正确；B、D 等于放弃融合；C 是融合目标之一，但不是第一步。

Q9. 下列属于事件相机核心优势的是哪些？

多选题 · mid

  • A.微秒级响应延迟极低← 正确答案
  • B.动态范围超过一百二十dB← 正确答案
  • C.静态场景下功耗接近于零← 正确答案
  • D.输出图像纹理细节极其丰富

答案：ABC。事件相机的三大核心优势是微秒级延迟、超高动态范围和静态近零功耗；它恰恰不擅长输出纹理细节。因此 A、B、C 正确，D 错误——细节丰富是传统相机的强项，二者因此互补。

Q10. 关于事件流数据特性的说法正确的有哪些？

多选题 · extreme

  • A.数据稀疏程度与场景运动相关← 正确答案
  • B.输出为异步事件流而不是帧← 正确答案
  • C.时间戳精度可达到微秒量级← 正确答案
  • D.静态背景输出大量冗余帧

答案：ABC。事件流异步、稀疏，稀疏程度随运动强度变化，时间戳精度达微秒级，A、B、C 正确；静态背景几乎不产生事件，更不会输出“冗余帧”，D 错误。动态越剧烈，更夫敲梆子越频繁；万籁俱寂时，他一声不吭。