本文讨论了事件感知的能力，即将连续体验划分为离散事件，并利用时空表示将其分割为结构化的片段。研究还探讨了事件片段的空间范围感知对时间持续性和生成的案例数的影响。

提出了一种自我监督的基于事件感知的单目深度估计框架EMoDepth，通过跨模态一致性约束训练过程，仅使用事件进行单目深度预测，并设计了多尺度跳跃连接架构以融合特征并保持高推理速度。实验证明了方法的有效性，并超过了现有的有监督和无监督方法。

LEOD是一个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质量。LEOD在实验中表现优于基准方法，甚至在所有标记数据可用时达到最优结果。LEOD方法可应用于改进更大的检测器。

该研究提出了一种基于事件感知的运动去模糊和帧插值的统一框架，使用超低延迟来缓解运动模糊并实现中间帧预测。该方法在合成和真实世界数据集上均取得了显著的性能优势，是一种有效的去模糊技术方案。

该研究提出了一种基于事件感知的运动去模糊和帧插值的统一框架，使用超低延迟的事件来缓解运动模糊并实现中间帧预测。同时，该研究还提出了自监督学习框架，以实现对真实世界模糊视频和事件的网络训练。

该研究提出了一种基于事件感知的运动去模糊和帧插值的统一框架，通过超低延迟缓解运动模糊并实现中间帧预测。该框架利用可学习的双重积分网络和融合网络实现。同时，通过自监督学习框架，利用相邻模糊输入和同时发生的事件的信息进行网络训练。实验结果表明，该方法在合成和真实世界数据集上均取得了显著的性能优势，是一种有效的去模糊技术方案。