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

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

提出了一种名为Robust e-NeRF的新方法，它可以在各种真实世界条件下直接且稳健地从移动事件相机中重建NeRF，特别是从非均匀运动下生成的稀疏和嘈杂事件中。

Sep, 2023

使用事件相机进行线性运动估计仍然是一个开放的问题，本文针对此问题提出了一种正确的非线性参数化方法，并引入了一种新颖的5点求解器来联合估计线参数和线性摄像机速度投影，以对多条线进行融合，从而生成更稳定的相对运动估计，并捕捉到更多的内点。

Sep, 2023

通过强化学习优化重要性采样网络，将采样的值输入潜在空间编码器，最终训练一个神经去噪器，该方法在多个数据集上提高了视觉质量，使渲染时间比现有技术提高了1.6倍，成为实时应用的有希望的解决方案。

Oct, 2023

该研究论文提出了一种基于连续和相关子路径的重要性采样方法，用于处理包含多个连续镜面顶点（称为镜面链）的复杂光线传输，经过广泛实验证明其优于现有的无偏解决方案，能够在典型场景中减小高达40倍的变异度，并且特别适用于具有长镜面链和复杂能见度的场景。

Sep, 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

基于对光噪声事件生成和其与照度的关系建模，我们提出了一种名为Noise2Image的方法，利用照度依赖的噪声特性从噪声事件中恢复场景的静态部分，从而实现了在事件摄像头中捕捉静态场景的新方法，无需额外硬件。

Apr, 2024

通过利用事件相机的高时间分辨率和显式的基于点的表示，Event3DGS可以在快速自我运动下仅根据事件流重建高保真度的3D结构，并通过稀疏感知的采样和渐进训练方法获得更好的重建质量和一致性，同时通过将运动模糊形成过程显式地结合到可微分的光栅化器中，通过有限的一组模糊的RGB图像来改善外观。大量实验证明，与现有方法相比，Event3DGS具有卓越的渲染质量，并且训练时间减少了95％以上，并且在渲染速度上具有数量级的提升。

Jun, 2024