本研究提出了第一种基于事件相机的感知运动信息分割方法，通过建立在事件感应技术和运动补偿上的目标函数联合估计事件 - 目标关联，从而实现了场景中的独立运动目标分割和运动参数估计，并在公共数据集上取得了比最新技术研究成果高达 10% 的有效结果。同时，我们还首次量化评估了运动分割算法，达到了大约 90% 的准确度。

Apr, 2019

本研究开发了一种基于事件的相机的方法，将问题转化为涉及多个运动模型的能量最小化问题，并利用时空图的形式下的输入事件数据的结构迭代地解决事件聚类分配和运动模型拟合两个子问题。实验结果表明，该方法具有很高的灵活性，在不同的场景中能够获取不同运动模式和移动物体的数量。

Dec, 2020

通过几何约束，我们提出了一种基于事件感知的独立运动物体伪标签生成的无监督方法，可以处理任意数量的无先验对象，并能够在缺乏昂贵的物体运动标签的数据集上进行可扩展的评估。我们在 EVIMO 数据集上进行了验证，并从定量和定性上表明其与有监督方法具有竞争性。

Nov, 2023

通过在事件数据和光流信息上利用自监督变换器，我们提出的方法克服了事件驱动运动分割的限制，消除了人工注释的需求，并减少了参数调整问题，实现了在多个数据集上与现有方法相比的最新性能，适用于高动态航空平台上的高清事件摄像头在城市环境中处理各种类型的运动并处理任意数量的移动对象。

May, 2024

本研究提出了基于事件的学习方法，用于室内场景下的运动分割，并提出了第一个事件数据集 - EV-IMO。该研究基于使用低参数神经网络结构在事件数据上实施 SfM 学习流程的高效实现。在 EV-IMO 数据集上，该方法优于其他竞争者，并适用于机器人应用。

Mar, 2019

本文提出了利用事件相机数据进行自我中心行为识别的两种策略，并将其应用于首个基于事件相机的视频数据集，结果表明，事件数据不仅可在不需要流计算的情况下提供与 RGB 和光流同等的性能，而且相比仅使用 RGB 信息提高了 4％的表现。

Dec, 2021

本研究提出了一种新的数据集 DSEC-MOS，用于解决现有运动目标分割数据集中缺乏提高动态场景理解的事件信息的问题，该数据集包含 16 个序列和 13314 张图像，并利用大型模型 SAM 和事件数据生成准确的分割掩码注释。

Apr, 2023

本文介绍了使用适应性选择事件窗口中的信息形成运动补偿图像来重建场景以及估计相机的 6-DOF 姿态，并提出了一个惯性版本的仅事件流水线，以评估其性能。通过对两个公开事件数据集的序列的不同配置的结果与基准进行比较，本文证明了所提出的事件惯性流水线可以产生相当或更准确的结果，前提是地图估计可靠。

Jan, 2023

该研究提出了一种新颖的逐步框架，其中动态视觉传感器 (DVS) 的运动估计 (ME) 模块和事件去噪 (ED) 模块被联合优化，并通过自适应聚类和提取时间相关性来消除 DVS 事件中的背景活动噪声 (BA noise)，实现准确的运动估计，从而胜过现有过滤去噪方法。

Mar, 2022

本研究讨论了利用点轨迹和光流等方法相互融合，在移动的单目摄像头中识别和分割运动物体，实现对复杂场景中不同对象运动的模拟，最终取得了最先进的效果。

Sep, 2023