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
研究使用成熟的计算机视觉技术对从事件数据中重建的视频进行对象分类和图像重建，从而充分发挥事件相机的优异特性。
介绍了事件相机技术的工作原理，可用传感器和任务，包括低级视觉和高级视觉，并讨论了处理事件的技术，特别是基于学习的技术和专门为这些传感器设计的处理器，如脉冲神经网络，同时提出了待解决的挑战和未来机器感知及与世界互动的新机遇。
该论文介绍了一种基于神经网络的异步处理Event-based Camera事件流的方法，利用前一时刻的动态信息和灰度帧的关键特征，提取事件中的动态信息，相较现有同类研究结果表现优异。
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
该论文通过自监督学习，将基于事件相机的图像强度重构问题与光流估计相结合，避免了需要真实数据的问题，并提出了一种轻量化的神经网络，以实现快速推理和高精度的光流估计。
Sep, 2020
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
本研究解决了传统相机在高速运动物体捕捉中存在的信息丢失问题，通过将事件数据与常规算法相结合，展示了事件相机的新应用。我们构建了一个基于帧的事件数据集，并使用GR-YOLO方法进行了评估，结果显示该模型在各类数据集上表现良好，最高平均精度达到0.91，证明了在不同光照条件下的鲁棒性。
Aug, 2024