光流（Optical flow）計算常使用在避障、無人機著陸、里程計等等用途。對於上述用途，若飛行在高動態的狀況下，低延遲是必須的。對此，需要設計低延遲、低功耗的事件傳感器。在這篇研究中，研究團隊藉由事件相機（event based camera）輸入，並用Leaky integrate and fire model 做自監督式學習計算光流；以下是網路的架構圖：
主要大致上分為四層，層與層之間的訊息傳遞都是靠spike傳遞。由於SNN中spike function是不可微分的，因此在反向傳遞（back propagation）時使用代理梯度（surrogate gradient）去近似梯度。
在每一個像素點上，都有一群神經元透過spike傳遞訊息、更新。首先在第一層與第二層，先建立空間的特徵；接著第三層有時間延遲的block，這個delay block用做及時延遲訊號，組合多個block可以直接比較不同時間時的狀況，之後做卷積對時間與空間都做分析。最後一層，將前面的輸入解碼成光流二維向量輸出。方法如下圖：前面輸出的是隨時間變化的spiking，透過不同方向的神經元加權後，結果在對一段時間取平均值，即得到最後輸出的光流。
相較於傳統ANN，SNN更稀疏、運算更簡單，而且層與層之間的傳遞是二值化的，因此運算效率更高。本文提供了新的自監督式學習的事件光流法，利用時間延遲、梯度替代做光流估計，提供新的架構想法去更低功耗的計算光流。