Neuromorphe Kameras, auch als Ereigniskameras bekannt, sind asynchrone Helligkeitsänderungssensoren, die extrem schnelle Bewegungen erfassen können, ohne an Bewegungsunschärfe zu leiden. Dies macht sie besonders vielversprechend für die 3D-Rekonstruktion in extremen Umgebungen. Dennoch ist bisherige Forschung zur 3D-Rekonstruktion mit monoischen Neuromorphen Kameras begrenzt, und die meisten Methoden basieren auf der Schätzung physikalischer A-Prioris und verwenden komplexe Mehrschritt-Pipelines. In dieser Arbeit schlagen wir eine end-to-end-Methode für dichte Voxel-3D-Rekonstruktion mit neuromorphen Kameras vor, die das Schätzen von physikalischen A-Prioris überflüssig macht. Unser Ansatz integriert eine neuartige Ereignisdarstellung, um Kanteneigenschaften zu verbessern und das vorgeschlagene Merkmalsverstärkungsmodell effektiver lernen zu lassen. Zudem haben wir das Prinzip der optimalen Binarisierungsschwelle als Leitfaden für zukünftige verwandte Arbeiten eingeführt, wobei die optimalen Rekonstruktionsergebnisse, die durch Schwelleoptimierung erreicht wurden, als Referenz dienen. Unsere Methode erzielt eine Verbesserung der Rekonstruktionsgenauigkeit um 54,6 % im Vergleich zur Basismethode.