研究使用事件相机与主动像素传感器流进行端到端自动驾驶学习，提供了一种解决当前图像获取技术限制的方法，并使用卷积神经网络训练，该研究还提供了第一个标注的 DAVIS 驾驶记录开放数据集 DDD17。
Nov, 2017
本文提出了一种基于动态视觉传感器的异步相机的新颖跟踪算法，该算法可以在极低光和噪声条件下，无需任何外部传感器，且无需任何特征跟踪或显式光流计算即可检测和跟踪不同移动对象。
Mar, 2018
基于人脑中的预测编码模型和期望抑制现象，我们提出了一种时间注意机制，通过控制相机的输出使其仅在无法很好预测的情况下注意到视觉事件，从而不仅减少了传感器 - 处理器接口的能耗，而且通过过滤噪声事件有效地减少了计算工作量，我们证明了这种预测注意机制可将相机和处理器之间的数据通信量减少 46.7％，处理器上的计算活动减少 43.8％。
Feb, 2024
本研究介绍了一种基于深度学习的事件相机语义分割方法，具有比基于灰度图的方法更好的性能，同时提出了一种新的事件相机数据表示方法，并描述了如何利用自动生成的近似语义分割标签对 DDD17 数据集进行训练，从而应对数据集标签不足的问题。
Nov, 2018
本文研究使用事件相机结合深度学习进行行人检测任务，并比较了不同处理方法的效果，结果表明事件相机是解决现有问题的潜在技术。
May, 2023
本文提出 v2e 工具箱，可以从强度帧中生成逼真的合成 DVS 事件，用于训练网络以适应不受控制的光照条件，在 N-Caltech 101 数据集上的物体识别实验和夜间驾驶中的汽车检测优化实验中取得了良好实验结果。
Jun, 2020
该研究介绍了一种使用静止事件相机在静态场景中实现事件转换为密集强度图像的方法，并通过时间映射神经网络将时序矩阵转换为强度帧。实验证明该方法在动态范围、细节和灰度分辨率方面表现出卓越的性能，并比其他方法在下游计算机视觉任务上表现出更好的性能。
Mar, 2024
介绍了 Dynamic and Active-pixel Vision sensor（简称 DAVIS）的特点及其在机器人技术和计算机视觉方面的潜在应用，同时公开了一组 DAVIS 数据集，旨在激发研究人员对于高速和高动态范围机器人技术和计算机视觉应用新算法的研究。
Oct, 2016
通过基于扩散的生成模型以及维护原始数据的时间分辨率等方法，我们提出了一种创新的事件序列补全方法，发掘事件相机的全部潜力，并生成高质量的密集事件，从而有利于目标分类和强度帧重建。
Jan, 2024
提出了一种新的事件数据增强方法，通过引入场景中的随机移动物体的合成事件来解决覆盖问题；该方法在多个动态视觉传感器分类数据集上进行了测试，使得 top1 准确率相对提升了最多 6.5%；此外，还将增强技术应用于真实世界的汽车事件数据集，特别是对行人的检测准确率提高了最多 5%。