本文提出了一种利用事件概率掩码 (EPM) 来进行真实世界神经形态相机传感器数据标记的新方法，其应用包括基于目标的事件去噪性能基准测试，用于去噪的卷积神经网络的训练（称为事件去噪卷积神经网络 (EDnCNN)），以及估计内部神经形态相机参数。该方法提供了第一个真实世界标记的神经形态相机事件去噪数据集 (DVSNOISE20)。

Mar, 2020

光学拍摄图像去噪器是一种速度快、能耗低的方法，通过物理上分散光学模式来去除不同噪音特征，可以高效地清除图像中的噪音和伪影，适用于各种图像显示和投影系统。

Sep, 2023

通过使用基于模板的核机器，包括特征提取和推理，使用基本原语，如加法 / 减法，移位和比较器操作的模板，实现一种硬件友好的边缘设备，用于野生动物保护中的噪音监测和分类。硬件实现和测试表明，与与传统分类框架相比，基于 MP 近似的模板核机器更为高效。

Apr, 2023

本研究提出了基于各向异性视差分析的新型光场去噪框架，通过联合设计结构视差合成网络和视角相关的细节补偿网络，能够更好地保留视差细节，提高视觉质量。

May, 2018

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

本研究提出了一种通用的框架，将基于同步图像事件表示训练的模型转换为具有相同输出的异步模型，以便直接利用事件数据的本质异步性和稀疏性，并在目标检测和识别任务中实现了高达 20 倍计算复杂度的降低和 24% 的精度提高。

Mar, 2020

传统相机在低光性能和高速成像之间存在权衡，长曝光时间捕捉足够的光会导致运动模糊，而短曝光时间会导致泊松受损噪声图像。我们介绍了一种传感器融合框架，将单光子雪崩二极管（SPAD）传感器与事件相机相结合，以实现低带宽要求下对高速低光场景的重建。我们的评估在合成和真实的传感器数据上表明，相比传统相机，在高的时间分辨率（100 kHz）下重建低光场景方面，事件 - SPAD 融合显示出了显著的提升（> 5 dB PSNR）。事件 - SPAD 融合在机器人技术或医学成像等实际应用中具有巨大潜力。

Apr, 2024

点扩散函数（PSF）工程是一种井然有序的计算成像技术，它利用相位掩模和其他光学元件将额外的信息（如深度）嵌入常规 CMOS 图像传感器捕获的图像中。本文通过理论界限（Cramér Rao 界限）建立了使用 PSF 工程事件相机进行三维点定位和跟踪的方法。利用这些界限，首先证明了现有的 Fisher 相位掩模在定位静态闪烁点源（如闪烁荧光分子）时已经接近最优。然后证明了现有设计在跟踪移动点源方面是次优的，并利用我们的理论为此任务设计了最优相位掩模和二值振幅掩模。为了克服设计问题的非凸性，我们利用基于新颖的隐式神经表示的参数化方法对相位和振幅掩模进行了描述。通过大量的仿真实验证明了我们设计的有效性。我们还用一个简单的原型进行了验证。

Jun, 2024

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

构建了一个新的真实世界事件去噪数据集，并提出了一种基于同质双事件的去噪框架，用于捕捉与原始信号相关的事件信息并分离噪声，实现准确的去噪。

May, 2024