重新思考视频的通用事件驱动表示
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
本文介绍了将事件流转化成基于网格的表示的通用框架，其具有两个主要优势：（i）允许端到端学习输入事件表示，（ii）提供了一个统一记录大多数事件表示的分类法，并识别出新的事件表示方法。通过实验证明，我们的端到端学习事件表示的方法相对于现有技术方法，在光流估计和目标识别上都有约12％的改进。
Apr, 2019
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
本文提出了一种利用现有的传统相机记录的视频数据生成虚拟事件数据的方法，从而使得神经网络能够使用大量的现有数据集进行训练，从而在物体识别和语义分割领域取得了良好的效果。
Dec, 2019
本文提出了 EVREAL 框架，并针对当前事件感知视觉领域中的基于深度学习的视频重建方法进行了统一的评价，旨在为不同的方法提供比较基础和统一的评价标准，提供对这些方法在不同场景下，挑战性场景和下游任务下性能的宝贵见解。
Apr, 2023
利用动态视觉传感器或事件相机进行视频帧插值，结合RGB信息的事件引导光流细化策略和分阶段的中间帧合成策略，可以获得比先前的视频帧插值方法更可靠和更真实的中间帧结果。
Jul, 2023
我们提出了一种新颖的系统，利用稀疏的解压表示来传达监控视频中的时间冗余。通过将帧视频转码为稀疏的、异步的强度样本，我们引入了内容适应、有损压缩和经典视觉算法的异步形式的机制。我们在VIRAT监控视频数据集上评估了我们的系统，并展示了相对于OpenCV的FAST特征检测速度提高了中位数43.7%。我们运行与OpenCV相同的算法，但只处理接收到新异步事件的像素，而不是处理图像帧中的每个像素。我们的工作为即将到来的神经形态传感器铺平了道路，并且适用于未来的脉冲神经网络应用。
Dec, 2023
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