精读笔记

Problem Setting

《CMax-SLAM: Event-Based Rotational-Motion Bundle Adjustment and SLAM System Using Contrast Maximization》（IEEE Transactions on Robotics / 2024）处理的是事件相机纯旋转 egomotion 的长期估计问题。更准确地说，它不是又一个短窗口角速度估计器，而是在问：事件相机是否可以拥有类似 frame-based SLAM 的后端 BA，用过去的观测反过来修正连续轨迹。

这个任务的关键矛盾是：纯旋转几何很简单，所有事件都可看作 bearing 在球面上的运动；但事件数据本身没有帧、没有稳定纹理 patch、没有显式可跟踪特征，也没有传统 BA 可直接最小化的 reprojection residual。已有方法大多只能做局部解释：给当前事件包找一个角速度或增量姿态，使局部 IWE 变锐。这样的问题是长期一致性完全依赖积分或逐步更新，漂移和地图污染不可避免。

以前方法卡住的地方不是不知道如何 warp event，而是缺少一个可以把“事件对齐”提升到轨迹级优化的 formulation。SMT/RTPT 有 tracking-map interaction，但地图和轨迹相互依赖，误差传播明显；CMax-ω 局部稳但没有 absolute pose；CMax-GAE 有全局 map alignment，但仍是逐包估计，不重优化过去 pose，也没有连续时间轨迹模型。

Motivation

已有路线不够的根本原因是它们把事件流当成短时局部数据处理，而不是一个可被全局轨迹重新解释的异步观测集合。对于事件相机，局部 motion compensation 很强，但一旦把局部估计串起来，系统层面的漂移、地图重复边缘、回访区域不一致就会暴露出来。传统视觉 SLAM 的答案是 back-end BA；事件旋转估计缺的正是这个东西。

作者的核心观察是：在 rotation-only 场景里，正确轨迹的判据可以不依赖显式 feature correspondence，也不依赖 event generation model 中难以标定的 contrast threshold C，而依赖一个更直接的几何-统计现象：正确 motion compensation 会让同一场景边缘产生的事件在全景图上聚集成锐利结构。这个 observation 已经在短窗口 CMax 中成立；论文要做的是把它从“局部速度估计准则”升级成“长时间轨迹优化准则”。

所以关键缺口不是某个前端更准，而是缺少一种事件原生的 BA objective：能处理异步时间戳、能利用全局地图、能 refine past trajectory，并且不把事件先转换成 frames。

Core Idea

论文最核心的思想是：把 rotation-only BA 重写成 trajectory-only contrast maximization。给定一条连续时间 SO(3) 轨迹，每个事件都能按自己的 timestamp 被旋转到一个共同的 panoramic map 上；如果轨迹正确，来自同一真实边缘的事件会在 map 上对齐，IWE 会更锐；如果轨迹错误，事件会扩散、边缘变厚或出现多重拷贝。因此优化轨迹可以通过最大化全局 IWE 的 contrast/variance 来完成。

这和传统 BA 的本质区别在于：地图不是优化变量，而是轨迹的 deterministic by-product。传统 BA 同时优化 camera poses 和 landmarks；这里由于 rotation-only 下 scene depth 不参与 warp，事件只需要 bearing，map 可以由事件投票隐式形成。因此搜索空间从“轨迹 + 地图 + data association”缩成“轨迹”。这也是它为什么相对 scalable：避免显式维护每个 edge/landmark 的状态，也避免 event-to-feature association。

新的 inductive bias 是“正确轨迹应最大化事件在全局边缘地图上的稀疏/锐利聚集”。这不是 learning-based bias，而是由事件生成和纯旋转几何共同给出的 alignment prior。信息流也被重组了：前端不再是最终轨迹的唯一来源，而只是为后端提供 basin-of-attraction 内的初始化；后端通过全局/滑窗 IWE 把过去事件作为 memory reuse 来修正当前轨迹。

Method

方法层面真正重要的机制只有几个。

第一，连续时间 SO(3) B-spline 轨迹解决异步事件的时间建模问题。事件相机的优势来自微秒级 timestamp，如果把轨迹离散成帧率 pose，会人为丢掉时间结构。B-spline 用少量 control poses 表示连续轨迹，使每个事件可以在精确 timestamp 查询姿态，同时保持局部 support，便于滑窗优化。linear 和 cubic spline 的差异更多是 smoothness/compute tradeoff，不是核心思想差异。

第二，全景 IWE 是 rotation-only BA 的隐式地图。事件 bearing 经当前轨迹旋转后投到 equirectangular panorama 上，事件通过 bilinear voting 累积。它解决的是全局坐标统一问题：只要是纯旋转，不同时间、不同视场下看到的同一边缘都能落在同一个 map 坐标系。

第三，BA objective 是最大化 IWE 方差。它解决传统 residual 缺失的问题：没有 feature track，就用 event alignment 的 sharpness 作为 surrogate residual。这个 objective 的关键变化是把 data association 变成软的、隐式的：落到相同/邻近像素的事件被视为对应同一结构。

第四，在线系统用 CMax-ω 前端初始化 + 滑窗 CMax-BA 后端。前端解决非凸优化初值问题，后端解决积分漂移和局部估计不一致。滑窗不是理论核心，但对可运行系统是必要的，因为全序列事件和 control poses 会很快不可 tractable。

第五，局部 IWE 与历史全局 IWE 的 density-based weighting 解决历史地图压倒当前观测的问题。这是工程上重要的稳定化手段：如果不调权，长期高频区域会主导 contrast objective，当前事件可能被吸到错误边缘。

Key Insight / Why It Works

这篇最有效的部分不是“用了 B-spline”或“做了一个 SLAM pipeline”，而是把 event alignment 从短时 motion estimation 变成了 BA-level objective。这个转变成立的原因在 rotation-only 场景非常清楚：深度被消掉，scene point 在单位球上的位置只由旋转决定；因此如果轨迹对，所有时刻的事件都能在同一全景边缘地图上相干叠加。换句话说，它利用了 rotation-only 几何中最强的 latent structure：全局 bearing map。

核心贡献更像是 better inductive bias + memory reuse + test-time optimization，而不是 scaling。它没有学一个模型，也没有靠更多数据训练；它是在 test time 把过去事件重新投影并优化轨迹。相比局部 CMax，它增加的是 long-range consistency；相比 SMT/RTPT，它减少了显式地图估计和 event generation model 参数依赖；相比 CMax-GAE，它真正允许过去轨迹被 refinement，而不是只更新当前增量。

最可能只是辅助的部分包括：linear/cubic spline 的具体选择、event slicing 的细节、map density weighting、停止累积过观测区域。这些对系统稳定和速度很重要，但不是 conceptual novelty。cubic spline 精度和 linear 接近，说明主要增益来自 CMax-BA 目标和滑窗重优化，而不是高阶轨迹模型本身。

需要注意的是，真实数据上的“更好 rotation”并不总是物理意义上的更真实 rotation。因为真实手持数据含 translation，而方法强制用 rotation 解释全部事件，所以优化目标会寻找最能锐化 IWE 的旋转轨迹。这在 map metric 上合理，但和 mocap 的 rotation component 可能不一致。作者意识到这一点并提出 EA proxy，这是论文比较诚实也比较重要的地方。但这也意味着真实场景中的增益有一部分是“更好解释事件流”的 surrogate，而不是严格 3-DOF pose accuracy。

超分辨率展示的本质也应冷静看待：它主要来自高时间分辨率事件 + 连续轨迹补偿把不同亚像素采样位置累积到高分辨 map，不是凭空恢复纹理。若轨迹、calibration、event noise 或 motion assumption 出问题，高分辨率 map 只会更敏感。

Relation To Prior Work

最接近的谱系是 CMax-based event motion estimation。Gallego/Scaramuzza 的 CMax-ω 证明了短窗口中最大化 IWE contrast 可以估计角速度；CMax-GAE 尝试把局部 IWE 和全局 IWE 对齐以减少漂移。本文的实质创新是把这个准则放进 BA 框架：优化连续时间轨迹，使用过去事件构成全局/滑窗 map，并允许后端 refine trajectory。

和 SMT 的差别在于，SMT 试图恢复更丰富的灰度 panorama，并显式使用 event generation model 和 contrast threshold C；本文只需要 edge-like IWE，不估绝对亮度，不依赖 C。这里的判断是正确的：对 egomotion 来说，灰度地图可能是过强目标，反而引入不稳定参数和误差传播。

和 RTPT 的差别在于，RTPT 是 tracking against probabilistic edge map，形式上更接近 NLLS，可用 Gauss-Newton，但要维护大量历史事件/概率图并受运动范围限制；本文把 map 作为 objective 中的投票图，优化变量仍然只在轨迹上，长期内更干净。

和传统 BA 的关系是“思想同构、残差不同”。它继承了 BA 的 back-end refinement 角色，但不是 reprojection residual，也不同时估 landmark。看似新颖的 sliding window、spline trajectory、analytic derivatives 都是已有 SLAM/continuous-time estimation 思想的重组；真正新增的信息是：在 event rotation-only setting 中，CMax 可以作为 BA objective，而且 map 可作为 trajectory-induced by-product。

Dataset / Evaluation

评估覆盖较广：合成纯旋转、真实 mocap 室内、户外高分辨事件、星空 tracking。合成数据最能验证核心 claim，因为纯旋转假设成立，GT 干净；在这些实验中 BA refinement 和 CMax-SLAM 优于前端方法，基本证明“CMax 后端有用”。

真实数据评估更复杂。作者明确指出 ECD 等手持序列并非严格纯旋转，因此直接用 mocap rotation RMSE 评价 rotation-only 方法会有偏差。这一点非常重要，因为很多同类工作会假装 GT rotation 就是唯一真值。作者提出 event area 作为 reprojection error proxy：边缘越薄、IWE 占用面积越小，说明事件对齐越好。这个 metric 与方法目标高度一致，因此支持“轨迹更好解释事件数据”的 claim，但也存在 objective-metric coupling：它验证的是 CMax-style alignment，而不是独立几何真值。

户外和星空实验主要证明 versatility，而不是严格 accuracy。户外无 GT，只能看 map sharpness；星空数据有 relative rotation 对比，结果支持该方法能迁移到 sparse point-like events。总体上，evaluation 足以支持“rotation-only event BA 可行且有效”，但不足以证明在含平移、动态、flicker 的真实机器人场景中能恢复物理准确姿态。

Limitation

最核心的限制是纯旋转假设。只要存在明显 translation，事件中的 parallax 不能被 SO(3) 轨迹解释，优化会把这部分误差吸收到旋转里，使 map 变锐但 pose 物理含义变弱。论文用 EA proxy 回避了这个评估矛盾，但没有真正解决它。

第二个限制是非凸 CMax objective 对初始化依赖强。后端需要前端轨迹进入合理 basin，否则初始 IWE 已经模糊，优化容易陷入局部最优。换言之，CMax-SLAM 的鲁棒性不是单独由后端保证，而是前端 CMax-ω、事件切片、滑窗长度、map 权重共同维持。增益归因并不完全清晰。

第三是长期一致性仍有限。系统有 back-end refinement，但没有 loop closure；滑窗固定历史 pose 后，早期错误不可全局修正。对于 360° 回访场景，地图重复边缘和累计漂移仍然是结构性问题。所谓 SLAM 更接近“front-end + local smoothing + panoramic map”，还不是带闭环的完整 SLAM。

第四是计算和内存上限。高分辨事件相机会产生巨大 event rate；全景 map 分辨率越高，投票和优化越慢。事件 downsampling 可以换速度，但这会让性能依赖场景纹理和事件密度。文中 nearly real-time 展示部分有明显 engineering tradeoff，不能等同于 full-event real-time。

第五是对场景事件质量敏感：低纹理、flicker、hot pixels、强动态物体都会破坏 brightness constancy / static edge assumption。论文展示了某种鲁棒性，但 failure boundary 文中未充分说明。

Takeaway

• 1）这篇真正推动的是 event-based egomotion 从“局部事件包估计”走向“轨迹级 test-time optimization”。
• 这比单纯改前端更重要。
• 2）rotation-only 是 CMax-BA 最干净的应用场景：深度消失，map 可由 bearing alignment 隐式产生。
• 这个 insight 可以迁移到其他低维运动模型或已知结构场景，例如星空、全景扫描、云台相机。

一句话总结

这篇论文把 CMax 从事件相机短时旋转前端提升为连续时间 rotation-only BA 后端，是事件旋转估计从局部 motion compensation 走向 SLAM-style trajectory refinement 的一次实质性方法演化。