- 解决**事件相机(event camera)** 模拟中**时间戳批处理(timestamp batching)** 问题，即现有模拟器从帧序列推断事件时间戳导致多个阈值交叉共享少量离散时间
- 在**快速运动(fast motion)** 和**遮挡(occlusion)** 场景下，时间戳批处理问题严重恶化，模拟保真度下降
- 真实世界事件数据集稀缺，高效的**事件模拟(event simulation)** 对算法开发至关重要
- 基于**动态高斯溅射(dynamic Gaussian splatting)** 构建连续时间模拟器**TIDES**，利用显式3D场景表示学习几何与运动
- 直接从场景推导**每像素强度动力学(per-pixel intensity dynamics)**，而非通过渲染帧差分，实现准确的**阈值交叉(threshold-crossing)** 预测（包括每步多次交叉）
- 利用同一3D场景模型检测**部分遮挡(partial occlusion)**，指导**自适应时间步长(adaptive time stepping)**，仅在遮挡区域集中计算
- 使用**瓦片级仲裁器(tile-level arbiter)** 模拟有限**传感器带宽(sensor bandwidth)**，复现吞吐量、抖动与事件丢弃等真实伪影
- **首创连续时间模拟范式**：通过直接场景推导替代帧差分，彻底消除时间戳批处理，无需时间上采样或帧插值
- **遮挡感知自适应步长**：利用3D场景模型显式处理遮挡导致的亮度变化非线性，提升计算效率与精度
- **真实传感器带宽建模**：首次在事件模拟器中引入瓦片级仲裁器，产生逼真的传感器伪影（抖动、事件丢失）
- **端到端学习**：动态高斯溅射场景表示可联合优化几何、运动与事件生成，区别于传统基于光流的模拟方法
- 在配对RGB-事件基准上达到**最先进(SOTA)** 的事件流保真度
- 通过**下游任务迁移实验** 证明TIDES模拟的事件比现有方法更有效地提升真实场景性能
- 为事件相机模拟领域提供了一种全新的**连续时间、场景驱动** 的范式，突破了帧间插值的局限
- 建模传感器物理限制提升了模拟的真实性，促进事件相机算法在实际系统中的应用