الرؤية القائمة على الأحداث قد جذبت اهتمامًا متزايدًا بسبب خصائصها الفريدة، مثل الدقة الزمنية العالية والمدى الديناميكي العالي. وقد تم استخدامها مؤخرًا في تقنية تحسين دقة الفيديو (VSR) لتعزيز تقدير التدفق والمحاذاة الزمنية. بدلاً من استخدامها للتعلم الحركي، نقترح في هذا البحث أول طريقة VSR تستفيد من إشارات الأحداث لتحسين النسيج. تُسمى هذه الطريقة EvTexture، وتستغل التفاصيل ذات التردد العالي للأحداث لاستعادة المناطق النسيجية بشكل أفضل في VSR. في EvTexture لدينا، يتم تقديم فرع جديد لتحسين النسيج. كما نقدم وحدة تحسين نسيجي تكرارية لاستكشاف معلومات الأحداث ذات الدقة الزمنية العالية تدريجيًا بهدف استعادة النسيج. هذا يسمح بتحسين تدريجي للمناطق النسيجية عبر عدة عمليات تكرار، مما يؤدي إلى تفاصيل عالية الدقة أكثر دقة وثراءً. أظهرت النتائج التجريبية أن EvTexture الخاصة بنا حققت أداءً رائدًا في أربع قواعد بيانات. بالنسبة لقاعدة البيانات Vid4 التي تحتوي على نسيج غني، يمكن لمETHODنا الحصول على زيادة تصل إلى 4.67 ديسبل مقارنة بالطرق القائمة على الأحداث الحديثة. الرمز البرمجي:https://github.com/DachunKai/EvTexture.