💻 computer science

Quantifying Noise of Dynamic Vision Sensor

Dit artikel introduceert een nieuwe techniek op basis van Detrended Fluctuation Analysis (DFA) om achtergrondactiviteitsruis bij dynamische visiesensoren kwantitatief te karakteriseren en optimale denoising-filterparameters te bepalen, zelfs zonder beschikbare grondwaarheid.

Oorspronkelijke auteurs: Evgeny V. Votyakov, Alessandro Artusi

Gepubliceerd 2026-03-25

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Evgeny V. Votyakov, Alessandro Artusi

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een camera hebt die niet werkt zoals een gewone camera. Een gewone camera maakt foto's van een heel beeld, net als een schilderij. Deze speciale camera, een Dynamic Vision Sensor (DVS), werkt meer als een stroom van losse gedachten. Hij ziet alleen veranderingen. Als er iets beweegt of verandert in helderheid, schreeuwt hij: "Hé, hier is iets gebeurd!" en stuurt een berichtje.

Het probleem is dat deze camera ook een beetje "zenuwachtig" is. Hij schreeuwt ook als er niets gebeurt, puur door ruis in de elektronica. Dit noemen de auteurs achtergrondactiviteit (of BA-ruis). Het is alsof je probeert te luisteren naar een vriend in een druk café, maar er zit ook een groepje mensen die constant "hallo" roept zonder dat er iemand is.

Het probleem: Hoe weet je wat echt is?

In de wereld van beeldverwerking is het normaal om te kijken of een foto "schoon" is. Maar bij deze camera is er geen "originele foto" om mee te vergelijken. Je weet niet wat er écht gebeurde, je hebt alleen die stroom van berichtjes. Hoe kun je dan weten of je de ruis goed hebt verwijderd zonder het echte signaal per ongeluk weg te gooien?

Tot nu toe moesten mensen dit raden of heel complexe tests doen. De auteurs van dit paper hebben een slimme nieuwe manier bedacht.

De Oplossing: De "Ruis-Test" met een Liniaal

De auteurs gebruiken een wiskundige methode die Detrended Fluctuation Analysis (DFA) heet. Dat klinkt ingewikkeld, maar het is eigenlijk heel simpel als je het zo ziet:

Stel je voor dat je twee soorten mensen hebt:

De Chaos-mensen: Ze lopen willekeurig rond. Soms links, soms rechts, soms stil. Ze hebben geen patroon. Dit is de echte ruis.
De Georganiseerde mensen: Ze lopen in een rechte lijn of in een groepje. Ze hebben een patroon. Dit is het echte signaal (bijvoorbeeld een auto die voorbijrijdt).

De DFA-methode is als een magische liniaal die kijkt naar de "looppatronen" van de berichtjes.

Als de resterende berichtjes (na het filteren) nog steeds een patroon hebben (zoals een auto die nog steeds doorloopt), zegt de liniaal: "Nee, dit is nog niet puur ruis, er zit nog een spoor van het echte signaal in!"
Als de berichtjes volledig willekeurig lijken (zoals de Chaos-mensen), zegt de liniaal: "Perfect! Dit is nu puur ruis. We hebben het echte signaal eruit gehaald."

Wat hebben ze ontdekt?

De auteurs hebben getest met verschillende instellingen van hun filter (een soort "ruis-verwijderaar").

Als ze de filter te zacht zetten, blijft er te veel ruis over, maar die ruis heeft nog steeds een patroon (want er zit nog een beetje van het echte beeld in). De "magische liniaal" geeft dan een verkeerd cijfer.
Als ze de filter te hard zetten, gooien ze misschien het echte signaal weg.
De optimale instelling is het punt waarop de "magische liniaal" aangeeft dat de overgebleven ruis volledig willekeurig is. Op dat moment weten ze: "We hebben de ruis verwijderd zonder het echte beeld te beschadigen."

Waarom is dit belangrijk?

Vroeger moesten mensen urenlang zitten te kijken naar de beelden om te zien of het filter goed werkte. Nu kunnen ze gewoon naar dit wiskundige getal kijken. Het is alsof je een thermostaat hebt die automatisch aangeeft of de kamer precies de juiste temperatuur heeft, zonder dat je zelf hoeft te voelen of te meten.

Kort samengevat:
De auteurs hebben een slimme manier bedacht om te controleren of een speciale camera-ruisfilter goed werkt. Ze kijken niet naar het plaatje, maar naar de "willekeurigheid" van de restanten. Als de restanten volledig willekeurig zijn, is de filter perfect afgesteld. Dit helpt om deze camera's veel beter te gebruiken voor toepassingen zoals zelfrijdende auto's of robots, waar snelheid en nauwkeurigheid cruciaal zijn.

Probleemstelling

Dynamic Vision Sensors (DVS), ook wel siliciumretina's genoemd, zijn gebeurtenisgebaseerde visiesensoren die asynchroon veranderingen in helderheid per pixel detecteren. Een van de grootste beperkingen van DVS is de aanwezigheid van significante achtergrondactiviteit (Background Activity - BA) ruis. Deze ruis is gemengd met het nuttige signaal en kan de prestaties in praktische toepassingen ernstig beperken.

Hoewel bestaande ontruisingsmethoden (zoals die van Delbrück) ervan uitgaan dat ruisgebeurtenissen ruimtelijk en temporair geïsoleerd zijn, blijft het moeilijk om ruis betrouwbaar te identificeren en te verwijderen zonder het nuttige signaal te beschadigen. Een groot obstakel is het ontbreken van een "ground truth" (een referentie van het zuivere signaal) in realistische scenario's. Dit maakt het evalueren van de kwaliteit van ontruisingsfilters en het optimaliseren van hun parameters zeer uitdagend, aangezien conventionele beeldverwerkingstechnieken hier vaak tekortschieten.

Methodologie

De auteurs introduceren een nieuwe, objectieve aanpak om de kwaliteit van ongeruisde DVS-data te evalueren zonder gebruik te maken van ground truth. De kern van de methode is de toepassing van Detrended Fluctuation Analysis (DFA) op de tijdsreeks van DVS-gebeurtenissen.

Data Representatie: In plaats van individuele gebeurtenissen te analyseren, wordt een tijdsreeks (TS) gevormd door de tijdsintervallen ( $\delta t_i = t_i - t_{i-1}$ ) tussen opeenvolgende gebeurtenissen.
DFA Toepassing: DFA is een statistische methode om lange-termijn correlaties in een tijdsreeks te detecteren.
- De cumulatieve som van de tijdsintervallen wordt berekend (wat overeenkomt met de tijdstempels $t_i$ ).
- Deze reeks wordt opgedeeld in segmenten, en voor elk segment wordt een lokale trend verwijderd (detrending).
- De fluctuaties worden gemeten en geanalyseerd via een machtswet-relatie: $F(n) \sim n^\alpha$ .
Interpretatie van de Schalingsexponent ( $\alpha$ ):
- $\alpha \approx 0.5$ : De data is ongecorreleerd (willekeurige ruis).
- $\alpha > 0.5$ : De data vertoont positieve lange-termijn correlaties (dit duidt op resterende signaalstructuren of geordende patronen in de "ruis").
- $\alpha < 0.5$ : Anti-correlatie.
Optimalisatie: Het doel is om een BA-filter (gebaseerd op een tijdsvenster $\Delta T$ ) zo in te stellen dat de resterende ruis zo willekeurig mogelijk is. Dit betekent dat de DFA-exponent $\alpha$ van de gefilterde ruis zo dicht mogelijk bij 0.5 moet liggen. Als $\alpha$ hoger is, bevat de "ruis" nog steeds geordende signaalcomponenten.

Belangrijkste Bijdragen

Nieuwe Evaluatiemetric: Dit is het eerste werk dat DFA toepast op DVS-data om een objectieve maatstaf te bieden voor de kwaliteit van ontruisingsfilters zonder ground truth.
Principiële Parameterkeuze: De methode biedt een wetenschappelijk onderbouwde manier om de optimale parameters (zoals het tijdsvenster $\Delta T$ ) voor ontruisingsfilters te bepalen.
Onafhankelijkheid van Ground Truth: Het lost het probleem op dat evaluatie in de praktijk vaak afhankelijk is van synthetische data of complexe, rekenintensieve applicatie-specifieke evaluaties.

Resultaten

De methode werd getest op twee soorten datasets:

Eenvoudige Dataset (Slot-car):
- Er werd een standaard BA-filter toegepast met variërende tijdsvensters ( $\Delta T$ van 1000 tot 16000 $\mu s$ ).
- Observatie: Bij kleine $\Delta T$ waarden bleef er signaal in de ruis zitten, wat resulteerde in een hoge $\alpha$ (bijv. 0.74). Bij grotere $\Delta T$ waarden daalde $\alpha$ naar 0.50, wat overeenkomt met volledig willekeurige ruis.
- Er werd een duidelijke correlatie gevonden: naarmate $\Delta T$ groter werd, verbeterde de Signaal-Ruisverhouding (SNR) en naderde $\alpha$ de theoretische limiet van 0.5.
Complexe Dataset (PROPHESSE):
- Er werden complexe scènes gebruikt waarbij gecontroleerde hoeveelheden ruis (5%, 10%, 20%) werden toegevoegd aan schone data.
- Validatie: Bij het toepassen van het filter naderde de DFA-exponent van de resterende ruis consistent de waarde 0.5, ongeacht de hoeveelheid toegevoegde ruis.
- Dit bevestigt experimenteel dat de DFA-exponent een betrouwbare indicator is voor effectieve ruisonderdrukking, zelfs in complexe scenario's waar visuele inspectie ontoereikend is.

Betekenis en Toekomstperspectief

De studie biedt een fundamenteel nieuw perspectief op DVS-data-analyse. In plaats van te proberen gebeurtenissen één voor één als "ruis" of "signaal" te labelen (wat bij hoge datasnelheden onpraktisch is), analyseert de methode de statistische eigenschappen van de tijdsreeks.

Praktische Toepassing: Het stelt ontwikkelaars in staat om ontruisingsfilters autonoom en objectief te optimaliseren voor verschillende omgevingen.
Toekomstig Werk: De auteurs plannen om deze aanpak uit te breiden naar geavanceerdere filters (zoals y-noise en k-noise) en complexere scenario's met onafhankelijk bewegende objecten (IMO). Ook wordt onderzocht hoe DFA-exponenten zich verhouden tot Poisson-statistieken en alternatieve definities van de random variabele.

Kortom, dit werk introduceert een robuuste, statistische methode om de kwaliteit van DVS-data te kwantificeren, wat essentieel is voor de verdere ontwikkeling en toepassing van gebeurtenisgebaseerde visiesystemen in de echte wereld.