本文提出了一种新的基于事件的方法，用于 3D 姿态估计和人体网格恢复，通过移动事件相机，通过衰减光线雕刻 3D 体素，重建人体姿态和网格，并拟合统计身体模型，实验结果表明该方法在姿态和身体网格估计精度方面优于传统基于帧的方法。

Apr, 2024

本研究提出了一种基于事件相机的两阶段深度学习方法 EventHPE，用于从事件信号中估计 3D 人体姿态和形状，其中第一阶段 FlowNet 通过非监督学习推断光流，而 ShapeNet 通过最大化流一致性从事件信号和光流估计 3D 人体形状，并在内部构建了一个 3D 人体数据集进行实证评估。

Aug, 2021

本文提出了一种基于 Event camera 的 EvHandPose 算法，通过 Event-to-Pose 模块中的新型手势流表示法，以及 Pose-to-IWE 模块中的对比度最大化和边缘限制来解决手部运动信息编码和运动模糊问题，在自我监督框架下设计 EvHandPose，同时还建立了第一个大规模真实世界基础的事件驱动手部姿态数据集，实现了在快速运动和强光等场景下的稳定且精确的手部姿态估计，并实现了 120 fps 或更高的 3D 手部姿态估计。

Mar, 2023

本文提出了一种改进的 2D 编码事件数据的 3D 表达方法，并介绍了 3D-FlowNet 网络体系结构以进行光流估计，并采用自监督训练策略来弥补事件相机标记数据的缺乏。结果表明，我们的 3D-FlowNet 具有更好的性能。

Jan, 2022

2D-3D registration for event cameras is studied using a learning-based method called E2PNet, which employs a novel feature representation network called EP2T. E2PNet outperforms hand-crafted and other learning-based methods, and demonstrates potential for various vision tasks.

Nov, 2023

使用事件相机，提出了一种解决仅使用单个事件相机进行密集三维重建的新方法，结果显示该方法无需使用现有方法的流水线即可直接生成可视化区分的密集三维重建，同时创建了一个使用事件相机模拟器生成的合成数据集，加速了相关研究。

Sep, 2023

本论文介绍了基于事件相机和神经网络的三维形状重建方法，通过事件到轮廓 (E2S) 神经网络模块和三维可微分渲染器 (PyTorch3D) 来实现视图间的一致性和微调，同时介绍了一种基于公开数据集的三维 - 事件模拟管线来生成监督学习的训练对。

Dec, 2020

通过多模态跟踪和知识蒸馏方法，在高分辨率事件信号下实现了高速低延迟的视觉跟踪的研究。

Sep, 2023

本文介绍了基于事件相机的 Apparent Contour Events 方法，结合 Voxel Carving 算法用于实现高保真的 3D 重建，最终在真实事件序列上得到了较好的表现。

Apr, 2023

本文提出了一种直接使用事件和 RGB-D 数据相结合的稀疏视觉里程法，用于估计活泼的四足机器人在动态运动和杂技行为中的姿态。

May, 2023