KinematicEvent-HumanUpperBody-2026

该数据集由海尔布隆应用技术大学的研究团队创建，旨在为神经形态视觉领域的隐私保护研究提供基准。数据集包含同步采集的真实世界事件流和RGB流，通过协作机器人执行精确轨迹捕获，确保了数据的可重复性和静态主体设置。其核心价值在于填补了高质量真实世界事件数据的空白，支持身份匿名化算法评估，并推动自动驾驶、机器人等动态场景中隐私与数据效用的平衡研究。

This dataset was developed by a research team from Heilbronn University of Applied Sciences to serve as a benchmark for privacy-preserving research in the field of neuromorphic vision. It contains simultaneously captured real-world event streams and RGB streams, with precise trajectory acquisition conducted via a collaborative robot, which ensures data reproducibility and static subject setup. Its core value lies in filling the gap in high-quality real-world event data, supporting the evaluation of identity anonymization algorithms, and advancing research on the balance between privacy and data utility in dynamic scenarios such as autonomous driving and robotics.

原始信息汇总

KinematicEvent-HumanUpperBody 2026 数据集概述

数据集简介

KinematicEvent-HumanUpperBody (KE-HUB) 数据集是一个同步的真实世界事件流与RGB流集合。为消除人体运动差异并精确模拟相机自身运动的应用程序，数据采集通过将物理事件传感器安装在执行编程轨迹的协作机器人上完成，从而确保了精确、可重现的自身运动和完全静态的被试设置。数据集还包含了被试的面部运动，因为他们被要求用英语朗读短文（每位被试朗读的文本作为真实标签提供）。

访问方式

由于隐私考虑，本数据集为闭源，需申请访问。访问步骤如下：

1. 下载数据使用协议。
2. 填写并签署该文件。
3. 将已完成的协议通过电子邮件发送至 [e-mail] 和 [e-mail]。
4. 请求经审核批准后，您将收到一个安全下载链接。

技术规格

数据采集使用一台IDS XCP-E事件相机（焦距4毫米），安装在两台Basler ace 2相机（焦距8毫米，30 FPS）之间。使用的协作机器人为Universal Robots UR5e（运动文件(.urs)包含在数据集中）。相机平面位于背景前160厘米处，因此被试距离相机平面约120厘米。

• 总数据量： （解压后）约230 GB
• 被试数量： 11人
• 序列长度： 每个视频约8秒（每位被试有两个独立视频，其中一个用作真实标签）
• 提供格式：
  • RGB数据：.mp4, .png帧，也包含ROS 2 bag格式的事件数据(.mcap)
  • 事件数据：.bin (+ metadata.json), .npy（也提供事件调试视频.mp4）
  • 文本数据：.txt（被试朗读的文本序列，每位被试的两个视频内容相同）
  • 机器人运动数据：.urs

引用信息

如果您在研究中使用了此数据集，请引用我们的论文： bibtex @misc{mueller2026genEventAnon, title={Generative Anonymization in Event Streams}, author={Adam T. Müller and Mihai Kocsis and Nicolaj C. Stache}, year={2026}, eprint={2604.12803}, archivePrefix={arXiv}, doi={10.48550/arXiv.2604.12803}, url={https://arxiv.org/abs/2604.12803} }

搜集汇总

数据集介绍

构建方式

在神经形态视觉领域，KinematicEvent-HumanUpperBody-2026数据集的构建体现了对精确实验控制的追求。该数据集通过将事件相机与RGB传感器组成的采集套件安装在协作机器人上，执行预设的轨迹运动来捕获数据。这种设计巧妙地分离了相机自身运动与人体行为，确保了可重复的精确自我运动。数据采集过程中，受试者被要求朗读文本段落，这一任务自然地诱发了面部微表情和唇部运动，同时避免了大幅度的身体移动，为评估时空结构完整性提供了理想的基准。

特点

该数据集的核心特征在于其高质量的同步采集与精确的运动控制。它提供了严格对齐的实时事件流与RGB视频流，克服了现有数据集中常依赖合成生成或受试者运动不可控的局限。通过机器人轨迹编程实现的精确自我运动，数据集能够模拟自动驾驶等应用中相机处于运动状态的场景。受试者执行朗读任务所产生的自然面部微表情，为研究面部动态的细粒度表征提供了丰富而真实的时空事件模式。

使用方法

KinematicEvent-HumanUpperBody-2026数据集主要服务于隐私保护神经形态视觉领域的研究与评估。研究者可利用该数据集作为基准，测试和比较各类事件流匿名化算法的效能，特别是在身份混淆与数据效用保持之间的权衡。其同步的事件-RGB数据对使得能够进行跨模态的验证，例如评估事件到视频重建模型在匿名化前后的输出质量。该数据集也适用于开发与评估直接作用于原始事件流的面部检测、表情识别或姿态估计等下游感知任务模型。

背景与挑战

背景概述

神经形态视觉传感器凭借其微秒级延迟与高动态范围特性，为自动驾驶与机器人等动态场景感知带来了革新。然而，其在公共空间部署所引发的数据隐私问题日益严峻，事件流虽以稀疏点云形式记录亮度变化，但先进的事件到视频重建模型能够从中恢复高保真强度图像，从而暴露个人身份。为应对这一挑战，德国海尔布隆应用技术大学的Adam T. Müller、Mihai Kocsis与Nicolaj C. Stache于2026年提出了生成式匿名化框架，旨在解决事件流中隐私保护与数据效用之间的固有矛盾，并通过引入KinematicEvent-HumanUpperBody-2026数据集，为隐私保护神经形态视觉研究提供了同步的真实世界事件与RGB数据基准。

当前挑战

该数据集致力于解决神经形态视觉中身份隐私保护的挑战，核心在于平衡匿名化强度与数据结构性完整。具体而言，生成式匿名化需克服事件流异步稀疏特性与标准空间生成模型之间的模态鸿沟，构建过程中依赖视频到事件的逆向投影，易因事件密度不足引发结构退化与伪影。此外，现有面部交换先验模型的分辨率限制可能导致细微表情丢失，而数据采集需通过机器人轨迹实现精确自我运动控制，以消除主体运动变异，确保评估的严谨性。

常用场景

经典使用场景

在神经形态视觉领域，事件相机以其异步、稀疏的数据流特性，为动态场景感知提供了独特优势。KinematicEvent-HumanUpperBody-2026数据集通过精确的机器人轨迹采集同步的事件与RGB数据，为研究事件流中的身份匿名化提供了经典实验平台。该数据集常用于评估生成式匿名化框架的性能，验证其在保护原始身份隐私的同时，能否维持事件流的结构完整性，以支持下游视觉任务如面部检测与表情识别。

实际应用

在智能监控、自动驾驶及人机交互等实际场景中，事件相机因其低延迟与高动态范围而被广泛部署。KinematicEvent-HumanUpperBody-2026数据集支持开发能够在公共空间安全使用的隐私保护技术。例如，在自动驾驶车辆中，事件流可实时捕捉行人动态，而基于该数据集的匿名化方案能无缝替换敏感面部特征，避免泄露个人身份，同时确保系统对行人姿态与行为的准确感知，满足日益严格的数据保护法规要求。

衍生相关工作

围绕该数据集衍生的经典工作主要集中在神经形态视觉的隐私保护领域。早期研究如EventAnon框架采用扰动方法进行身份混淆，但牺牲了数据效用。生成式匿名化的引入借鉴了RGB领域的LDFA等潜在扩散模型，将面部交换技术迁移至事件域。后续工作进一步探索了原生事件空间的生成模型，以及针对全身匿名化的扩展方法，这些研究共同构建了事件流隐私保护的技术谱系，推动了跨模态生成理论的发展。