Event representations

原始事件流是稀疏、异步的元组列表 $e_k = (\mathbf{x}_k, t_k, p_k)$ ——几乎没有下游算法能够直接处理这种格式。在进行跟踪、建图或输入神经网络之前，大多数系统会先将一批事件转换为某种中间表示。表示方式的选择是基于事件视觉领域的核心设计决策之一，需要在时间保真度和与现有算法的兼容性之间做出权衡。

事件帧/直方图

在一个时间窗口内（或固定事件数量内）累积事件，形成一张二维图像：

$H(x, y) = \sum_k p_k \cdot \delta(\mathbf{x}_k - (x, y))$

这种方式简单，与任何基于图像的算法（特征检测、CNN、直接对齐）都兼容，是许多跟踪前端的基础。代价是：窗口内部的时间结构被丢弃，且”图像”的外观取决于运动速度和窗口长度。

时间面

在每个像素处存储最近一次事件发生的时间，通常再经过指数衰减处理：

$\mathcal{T}(\mathbf{x}, t) = \exp\!\left(-\frac{t - t_{\text{last}}(\mathbf{x})}{\tau}\right)$

这编码了活动的新近性——最近活跃的像素较亮，陈旧的像素则逐渐淡去——生成平滑、富含梯度的图，非常适合用于配准和数据关联。例如，ESVO的跟踪就是针对时间面进行对齐。衰减常数 $\tau$ 是一个真正需要调节的参数：太短则时间面稀疏，太长则会把历史信息模糊在一起。

体素网格

将事件按空间和离散化时间分箱到一个三维张量中：

$V(x, y, b) = \sum_{k:\, t_k \in \text{bin}_b} p_k \cdot \delta(\mathbf{x}_k - (x, y))$

体素网格在保留粗粒度时间结构的同时，仍是一个标准二维/三维CNN可以处理的稠密张量——这是诸如DEVO等学习式事件流水线的默认输入——代价是内存开销和固定的分箱选择。

脉冲张量/事件点云

将事件本身视为 $(x, y, t)$ 空间中的点，由类PointNet的网络或原生处理异步脉冲的脉冲神经网络（SNN）来处理。这是最忠实的表示方式（完全没有聚合），但需要专用的架构，对SNN而言还需要神经形态硬件才能实现效率优势。

运动补偿事件图像

第五种表示方式值得特别提及，因为运动估计本身被纳入了表示之中。在累积之前，先按照候选运动（相机位姿轨迹、光流）将每个事件扭曲到一个共同的参考时刻：

$H_{\mathbf{w}}(\mathbf{x}) = \sum_k p_k \cdot \delta\!\left(\mathbf{x} - \mathbf{W}(\mathbf{x}_k, t_k;\, \boldsymbol{\theta})\right)$

如果运动假设 $\boldsymbol{\theta}$ 是正确的，由同一场景边缘产生的事件会落在同一像素上，图像就会清晰；如果假设错误，图像就会模糊。对比度最大化将这一点转化为一个目标函数——选择使 $H_{\mathbf{w}}$ 的清晰度（例如方差）最大化的运动——这是该领域用于自运动和光流估计的基本的基于模型的工具之一。同样的思路也出现在ESVIO中作为基于IMU的运动补偿，将事件扭曲到参考时刻可以使场景边缘变得清晰，从而便于匹配。

表示方式的选择

表示方式	时间保真度	兼容性	典型用途
事件帧	低（窗口内被压缩）	最高（任意图像算法）	跟踪前端、CNN
时间面	中等（仅保留新近性）	高	配准、数据关联（ESVO）
体素网格	中高（分箱）	高（CNN）	学习式VO（DEVO）
运动补偿图像	高（利用逐事件时间信息）	中（需要运动估计）	对比度最大化、VIO前端
脉冲/点	完整	低（需专用架构）	SNN、类PointNet模型

在构建这些表示时常见的陷阱包括：

固定时间窗口与固定事件数量：固定时间窗口在运动速度变化时会产生剧烈变化的事件数量；固定数量窗口能自动适应，但延迟会随之变化。因此许多系统更偏好固定数量的方式。
极性处理：对带符号极性求和会使那些被穿越两次的边缘上的事件相互抵消；将正负极性分为两个独立通道能保留更多信息，但会占用双倍内存。
运动依赖性：任何窗口化的表示在不同速度下”看起来”都不同——针对某一速度区间训练或调参的匹配器，在另一速度区间可能会失效。

对SLAM的意义

每一个基于事件的SLAM系统首先都要隐含地回答”我们该如何处理原始事件流？“这一问题，而答案会塑造后续的一切：事件帧使得类似帧式的跟踪流水线成为可能，时间面使得ESVO中的立体匹配和地图配准成为可能，运动补偿图像是对比度最大化跟踪和ESVIO前端的基础，而体素网格则使得复用基于深度学习的帧式VO架构（DPVO/DROID风格）应用于事件数据（如DEVO）成为可能。理解这些表示方式——以及它们各自丢弃了什么信息——是批判性阅读事件SLAM文献的最快途径。