提出了一种异步滤波器，可以将事件摄像机从高速、高动态范围数据中提取的局部时间对比信息，与传统摄像机从低频参考强度信息中提取的信息相融合，以形成一个单一的高时空分辨率图像状态，证明该算法优于现有状态的方法。

Nov, 2018

采用贝叶斯滤波框架和概率生成事件模型，利用感知到的事件的对比度残差为估计事件相机和环境位置的度量，解决了在已知环境下，仅使用事件数据定位的问题。

Oct, 2015

该论文介绍了一种基于神经网络的异步处理 Event-based Camera 事件流的方法，利用前一时刻的动态信息和灰度帧的关键特征，提取事件中的动态信息，相较现有同类研究结果表现优异。

Apr, 2019

本文提出了一种新的方法，用于在具有三个自由度的全景设置中进行事件摄像机的摄像机跟踪。该方法利用事件的空间位置而不使用图像场景点的外观进行跟踪。结果表明该方法能够应对快速移动的物体和场景中的动态物体。

Mar, 2017

该论文提出了使用多模方式结合 RGB-based trackers 和 event-based cameras 进行 high frame rate tracking 的方法，并应用 multi-modality alignment 和 fusion modules 对两种模式的信息进行融合。在 FE240hz 数据集上，该方法表现优异，实现了高达 240Hz 的高帧率追踪。

May, 2023

本文提出了一种基于事件相机的高动态范围视频重建方法，该方法包括模糊去除、时间插值、异步 Kalman 滤波等步骤，可以较好地处理 HDR 视频，实验结果验证了本方法的优越性。

Dec, 2020

本文介绍了一种基于事件相机的物体检测任务的解决方案，包括了首个高分辨率大规模数据集的发布、一种新的递归架构和一种时间一致性损失函数，这些对于更好的训练结果至关重要，而且在需要高动态范围，低延迟且具有挑战性的光照条件的情况下比传统的基于帧的解决方案更加高效而准确。

Sep, 2020

本文介绍了将事件流转化成基于网格的表示的通用框架，其具有两个主要优势：（i）允许端到端学习输入事件表示，（ii）提供了一个统一记录大多数事件表示的分类法，并识别出新的事件表示方法。通过实验证明，我们的端到端学习事件表示的方法相对于现有技术方法，在光流估计和目标识别上都有约 12％的改进。

Apr, 2019

介绍了事件相机技术的工作原理，可用传感器和任务，包括低级视觉和高级视觉，并讨论了处理事件的技术，特别是基于学习的技术和专门为这些传感器设计的处理器，如脉冲神经网络，同时提出了待解决的挑战和未来机器感知及与世界互动的新机遇。

Apr, 2019

本文提出了一个大规模的可见事件跟踪基准测试（VisEvent），由 820 个视频对组成，其中包含以低照度、高速和背景杂波为特点的数据集，将事件流转换为事件图像，并构建了 30 多种基线算法和一个简单但有效的跨模态转换器，以实现可见数据和事件数据之间的更有效特征融合。实验结果验证了模型的有效性。

Aug, 2021