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

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

该论文聚焦于五项基于事件影像的图像 / 视频增强任务，并提供了不同事件属性的分析、真实采集的数据集、最先进方法的统一评估以及两种主流事件模拟器的评估。论文详细介绍了 EventAid 数据集，包括场景多样性和时空同步，进行了定量和视觉比较，还探讨了事件辅助图像去模糊方法的性能极限和未来研究的开放问题。

Dec, 2023

本文提出了一种基于多分支卷积神经网络的新型端到端注意力引导方法，利用合成的低光模拟数据构建数据集，通过使用两个注意力图指导亮度增强和降噪任务，并进一步增强输出图像的色彩和对比度以实现对低光图像的高保真增强，该方法在多个数据集上表现优异，比当前最先进的方法有更好的定量和视觉效果。

Aug, 2019

利用卷积神经网络从一对时间图像帧中模拟事件的方法，可克服事件相对于计算机视觉问题的限制。在大规模图像数据集上，通过这种模拟数据，训练用于对象检测和 2D 人体姿势估计的下游网络，能够成功推广到真实事件数据集上。

Dec, 2019

本文提出了一个包含低光图像增强算法分类、数据集、web 平台等多个方面的综述以及一个包含各种拍摄设备下的低光图像数据、在线评估多个流行算法的数据集和平台，并对各种算法在公开及自有数据集上进行了定性和定量评估。本平台，数据集以及评估指标都是公开的并被定期更新。

Apr, 2021

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

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

提出了 $ extbf {EN-SLAM}$，这是第一个基于事件 - RGBD 的隐式神经 SLAM 框架，通过利用事件数据的高速率和高动态范围的优势进行跟踪和建图，并且通过可微分的 CRF 渲染技术生成独特的 RGB 和事件相机数据，通过学习统一的隐式表示进行优化，并提出了基于事件的时域聚合优化策略来提高跟踪准确性和鲁棒性。实验证明该方法在各种具有挑战性环境中超越了 SOTA 方法，在跟踪 ATE 和建图 ACC 方面具有实时 17 FPS 的性能。

Nov, 2023