事件相机研究利用稀疏图卷积网络处理数据，但现有方法多关注计算成本而忽视内存成本。一项研究比较不同图卷积操作，使特征提取参数减少450倍、数据表示缩小4.5倍，分类准确率达52.3%，并在N-Caltech101上实现53.7% mAP和每秒82图。其他工作提出图表示结合图转换器、SlideGCN低延迟框架、端到端网格表示学习、异步事件驱动图神经网络及同步转异步模型等，在分类、检测和光流估计中提升效率与精度。

该文综述视觉Transformer（ViT）的加速方法：基于图的标记传播（GTP）降低复杂度并保留信息；令牌剪枝与汇聚框架PPT在ImageNet上使DeiT-S的FLOPs降低37%、吞吐量提升45%以上且不损精度；IdleViT动态闲置图像令牌，复杂度降低33%、精度仅降0.2%；此外还有语义标记、PSViT、TORE、FPGA框架HeatViT、渐进采样PS-ViT及自适应A-ViT等方法，兼顾效率与准确率。