稠密连续时间运动估计的运动先验对比度最大化

研究了一种基于事件摄像机的光流无监督学习算法，适用于高频推理和低延迟应用。

提出了一种基于事件相机的框架，通过最大化图像平面上与事件数据最佳对齐的点轨迹对比度来处理事件数据的关联。

介绍了一种新的自监督深度学习光流估计方法 EV-FlowNet，能够准确估计密集光流，并为其他自监督方法提供转移框架。

提出了一种基于事件相机的无监督学习框架，包含输入表示、神经网络、运动补偿方法和损失函数，用于训练光流和自运动、深度的预测网络。

提出了一种端到端学习框架，利用真实世界的事件减轻数据不一致性造成的性能下降，并在合成和真实运动模糊数据集上进行评估。

提出了一种基于事件相机的无监督光流估计算法 EV-MGRFlowNet，使用运动引导的循环网络和混合运动补偿损失，实验结果显示其性能优越。

提出了一种全新稠密光流计算方法，通过引入特征相关性与顺序处理的设计思路，显著降低了终点误差。

提出了一种高帧率、低延迟的事件表示 Unified Voxel Grid 和基于事件的光流估计网络 EVA-Flow，增强了光流的准确性。

提出了一种改进的 2D 编码事件数据的 3D 表达方法和 3D-FlowNet 网络体系结构，采用自监督训练策略以提高光流估计性能。