本文提出了一种基于事件流的、重建低分辨率图像、提高图像质量并提高分辨率的新方法 ——EventSR。该方法是基于非监督式对抗学习的，对缺乏真实高分辨率图像的情况下进行重建，并利用了包括真实和模拟场景在内的数据集来提高网络性能。实验结果表明，EventSR 可以在仿真和实际数据场景下从事件中重建出高质量的高分辨率图像。

Mar, 2020

本文提出了一种使用循环网络从事件流中直接学习重建图像的方法，并在此基础上扩展到从事件流合成彩色图像的方法，实验证明该网络在处理高速现象和挑战性照明条件下具有较好的图像质量和高动态范围重建，并作为事件数据的中间表示进行了分类和视觉惯性积分导航等应用。

Jun, 2019

本文提出了一种可解释的网络，即基于事件增强的稀疏学习网络 (eSL-Net)，用于从事件相机中恢复高质量图像，并通过稀疏学习框架共同考虑事件和低分辨率强度观测，经过合成数据集的训练，可以将表现提高 7-12dB，在不需要额外训练的情况下，可以轻松扩展到具有与事件相同高帧率的连续帧的生成。

Jul, 2020

本文提出了基于事件相机的条件生成式对抗网络，可以从时间数据流中的可调节部分生成图像 / 视频，并展示了在极端光照条件下生成高动态范围 (HDR) 图像的效用以及快速运动条件下生成非模糊图像的可能性和非常高的帧速率。

Nov, 2018

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

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

本文介绍了一种用于提高事件基于 CNNs 的训练数据的策略，可为视频重建网络和光流网络带来 20-40％的性能提升，并提出了一种新的高质量数据集 HQF 以解决事件基于视频重建缺乏质量地真实图像的问题。

Mar, 2020

本研究通过构建新的神经网络结构，使用事件相机实现了高清无暇的图像和视频的生成，并将故障模糊问题转化为残差学习的任务来有效地进行训练。实验结果表明，该方法可以比现有技术更好地还原图像和视频。

Mar, 2020

通过自我监督学习策略，提出了一种面向自然动态场景的基于事件的高动态范围成像（HDRI）框架（Self-EHDRI），其中融合了 HDRI 性能和动态模糊补偿，实现了中间锐利 HDR 结果的恢复。实验结果表明，该方法在实时、动态场景下性能优于现有方法。

Apr, 2024

本文提出一种新的方法，利用事件的高时空分辨率特性通过空时插值将事件引导具有随机比例因子的视频超分辨率任务。利用空时融合模块、时间滤波模块和空时隐式表示模块将 RGB 帧与事件的特征图结合来完成超分辨率恢复，实验结果表明，该方法显著超过以往技术。

Mar, 2023