提出了一种异步滤波器，可以将事件摄像机从高速、高动态范围数据中提取的局部时间对比信息，与传统摄像机从低频参考强度信息中提取的信息相融合，以形成一个单一的高时空分辨率图像状态，证明该算法优于现有状态的方法。

Nov, 2018

该论文介绍了一种利用事件相机和标准相机的互补性来实现低延迟跟踪视觉特征的方法，通过提取标准相机的特征和利用事件相机的低延迟更新，该方法能够在各种场景下产生比现有技术更准确、更长的特征跟踪。

Jul, 2018

本文提出了一种基于连续时间表征的事件相机视觉惯性导航融合方法，并证明了该方法在准确性和适用性上优于当前最先进的事件相机视觉导航方法。

Feb, 2017

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

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

通过使用自然图像和合成图像的混合训练程序，本研究提出了一种对于图像修复神经网络的训练方法，从而在不损害保真度的前提下显著改善纹理清晰度度量标准，证实了这种方法在消噪 RGB 图像和完全开发 RAW 图像方面的可行性，为实际成像设备的纹理清晰度系统改进开辟了道路。

Feb, 2024

本研究提出了一种面向基于事件的相机的角点检测方法，通过学习随着快速变化的运动仍然具有稳定性的时间表面，应用随机森林检测由移动角产生的事件，并引入了一个高分辨率的数据集进行方法的可比性验证，实验结果表明，该方法较之前的方法在角点变化方向突然改变时更为稳健，且具有较好的性能表现。

Mar, 2019

LEOD 是第一个能够节省标签的事件感知目标检测框架，通过弱监督、半监督和自监督学习机制，利用有限标签在未标记事件上生成伪标签，并通过双向推理和基于跟踪的后处理提高伪标签的质量。通过引入新的实验协议，在 Gen1 和 1Mpx 数据集上评估基于事件感知的节约标签的目标检测任务，LEOD 在各种标签比率下始终优于基准方法，甚至在所有标记数据都可用时达到了新的最优结果。此外，LEOD 方法还能应用于改进更大的检测器。

Nov, 2023

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

该研究探讨了如何利用事件相机和模糊图像进行光流估计，提出了一种基于事件相机和模糊图像的光流估计算法，并通过实验验证了该算法的优越性。

Apr, 2020