利用事件相机的异步像素来开发新型神经网络在角速度回归和光流估计方面表现出最先进的性能。

Sep, 2022

本文提出了一种基于全脉冲神经网络 (SNN) 架构的事件相关视频重建框架 (EVSNN)，并采用 Leaky-Integrate-and-Fire (LIF) 神经元和自适应膜电位中间电位助推框架 (PA-EVSNN)，通过对事件相关图像信息的处理， 实现与基于人工神经网络（ANN）的模型相当的性能，而且在事件驱动硬件上具有更高的计算效率。

Jan, 2022

利用卷积神经网络从一对时间图像帧中模拟事件的方法，可克服事件相对于计算机视觉问题的限制。在大规模图像数据集上，通过这种模拟数据，训练用于对象检测和 2D 人体姿势估计的下游网络，能够成功推广到真实事件数据集上。

Dec, 2019

该论文介绍了一种名为 EvNets 的新型事件神经网络，该网络利用视频数据的冗余性达到了可观的计算节省，它的每个神经元都有提供长期记忆的状态变量，使得即使相机移动较大，也能在低成本时实现高精度的推理，同时该论文在高和低水平的视觉处理领域，包括姿势识别，物体检测，光流和图像增强等领域上进行了广泛的实验，以验证该网络的有效性。

Dec, 2021

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

事件相机是神经形态学传感器，可以捕获异步和稀疏的事件流，本文提出了一种新颖的时空表示学习方法，通过张量分解可以同时捕获事件流中的全局相关性。此外，由于事件在空间上稀疏，我们提出了一种弹性网络结合的张量网络模型，可以获取有关事件流的更多空间和时间细节。实验结果表明，与最先进的方法相比，我们的方法能够高质量地表示事件的时空相关性，并在过滤噪声等应用中取得有效的结果。

Jan, 2024

本研究利用少量标记数据，提出了一种基于动态存储器网络的原型网络模型，通过多次跳转机制实现了更精确的事件原型和更丰富的句子编码，能够在事件类型繁多、样本数量极少的情况下更好地解析事件，并在实验中表现优于基线模型。

Oct, 2019

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

使用事件相机进行视频去雨，通过事件感知的运动检测模块、金字塔自适应选择模块和真实世界数据集，提出一种端到端的基于学习的网络，证明了该方法的明显优越性。

Sep, 2023

基于事件相机和脉冲神经网络的自适应采样模块实现了在动态范围和时间分辨率高、光照条件恶劣的场景下的物体检测的全新学习框架，并通过在神经形态学数据集上的测试表明其在参数数量和时间步数方面具有更优异的性能。

Mar, 2024