通过融合 RGB 和事件信息的轻量级脉冲神经网络，我们提出了一种新颖的对象检测框架 EOLO，实现了稳健高效的全天候检测，在各种光照条件下优于现有检测器 (+3.74% mAP50)。

Sep, 2023

我们提出了一种新颖的 “空间可靠性导向融合网络（SRFNet）”，可以在白天和夜晚都能以细粒度的结构估计深度。我们的方法包括两个关键技术组件：一是基于注意力的交互式融合模块（AIF），应用事件和帧的空间先验作为初始掩码，并学习共识区域以引导跨模态特征融合；二是可靠性导向的深度细化模块（RDR），基于融合特征和掩码估计细粒度结构的密集深度。我们在合成和实际数据集上评估了我们方法的有效性，并表明，即使没有预训练，我们的方法在夜景场景中的性能也超过了以前的方法，如 RAMNet。

Sep, 2023

我们提出了一种针对夜间动态场景的新方法，利用事件相机进行成像。我们通过时间尾随特性和空间非均匀分布的观察，构建了一个夜间事件重建网络，包括学习能力的事件时间戳校准模块以对齐时间尾随事件，和一个非均匀光照感知模块以稳定时空事件分布。通过构建配对的真实低光事件数据集，我们的方法在视觉质量和泛化能力上都优于现有方法。

Apr, 2024

本文提出了 Spiking Fusion Object Detector (SFOD)，基于 SNN 的目标检测方法，在事件相机中实现了多尺度特征图的融合，并通过预训练、分析和实验研究了编码策略和损失函数对模型性能的影响，在 NCAR 数据集上实现了 93.7% 的准确率，GEN1 检测数据集上取得了 32.1% 的最优平均精度，展示了 SNN 在事件相机目标检测领域的潜力和发展。

Mar, 2024

本文提出了一种名为 RFNet 的实时融合语义分割网络，该网络可在自动驾驶汽车应用中快速运行，利用多个数据集进行训练，实现对意外小障碍的识别和面对现实世界中未预见到的危险，达到了显著的分割精度和 22Hz 推理速度。

Feb, 2020

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

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

多模式深度传感器融合为自动驾驶车辆在各种天气条件下实现视觉理解提供了潜力，本研究提出了一种高效、模块化的 RGB-X 融合网络，通过场景特定的融合模块，实现了利用预训练的单模态模型进行融合，从而使用小型、核心配准的多模态数据集创建联合输入自适应的网络架构，在 RGB - 热成像和 RGB - 门控数据集上表现出了优越性，仅使用少量额外的参数进行融合。

Oct, 2023

事件相机在智能交通系统中具有潜力，可以提供高时空分辨率和动态范围，消除运动模糊，更易于夜间识别物体。然而，事件相机缺乏颜色和纹理，因此需要与传统 rgb 相机进行数据融合和外部校准。本研究通过聚类方法扩展了无标定的校准方法以处理多个移动物体，并提出了融合策略。实验证明了校准方法的有效性，并通过事件相机数据融合方法在白天和夜间中提高了物体检测性能。

Jan, 2024