类脑视觉系统处理连续事件流，并为实时应用提供变革性潜力。然而，它们的评估仍然依赖于RGB成像的方法。这些方法将异步事件流转换为同步帧，并忽视感知延迟，造成基准和现实世界性能之间的重大差距。为此，我们提出了基于流的延迟感知评估（STARE）框架。STARE集成了两个核心组件：连续采样，最大化模型吞吐量以减少延迟的影响；以及延迟感知评估，量化延迟引起的在线准确性。为了严格验证STARE，我们开发了ESOT500，一个具有500 Hz注释的高动态物体跟踪数据集。实验表明，延迟严重降低了在线准确性超过50%。我们进一步引入了两种模型增强策略：异步跟踪，一种提升模型吞吐量的快-慢架构；以及上下文感知采样，动态调整输入以处理低事件密度情况。总体而言，我们的工作缩小了模型理论潜力与现实世界部署之间的延迟差距。在类脑视觉中，基于帧的基准显著高估了性能。在这里，作者引入了延迟感知评估框架，缩小了从仿真到现实的差距。
Chu等人（Mon，）研究了这个问题。