提出了一种新的无检测器 SfM 框架，通过注意力机制多视角匹配来改善重建精度，适用于缺少纹理的场景，在基准数据集上优于现有基于检测器的 SfM 系统，并取得了 2023 年图像匹配挑战赛的第一名。

Jun, 2023

利用子空间聚类的方法，本文首次提出了一个针对多体非刚性 SFM 的有效框架，能够同时将每个 3D 轨迹重建和分段到其各自的低维子空间中，并通过对合成和真实数据序列进行广泛实验验证其功效，明显优于其他替代方法。

Jul, 2016

本文提出了一种几何感知的神经网络 SfM-Net，可用于视频中的运动估计，通过分解场景和物体深度、相机运动、3D 物体旋转和平移来处理像素运动，该模型可通过不同程度的监督训练，包括自监督、相机运动监督和深度监督，成功地估计出帧间相机旋转和平移，并对运动物体进行了有效地分割。

Apr, 2017

本文提出了一种共同跟踪多个功能的跟踪器框架，能够追踪刚性和非刚性运动，即使某些功能被遮挡也能够跟踪。该方法可用于改善在低光场景中功能跟踪效果，并且无需直接进行场景的结构或运动建模，能够在单个 CPU 核心上实现实时跟踪。

May, 2014

本文提出了一种高效的深度神经网络方法 ——FMA，计算两个视频帧之间的 Framewise Motion Fields，并对大量对象的边界框进行快速可靠匹配，同时实现 Frame-wise Appearance Features 的学习，以达到实时多目标跟踪并取得与现有最先进方法相竞争的结果。

May, 2019

本文提出了一种基于运动引导的序列融合（MSF）方法，通过利用物体的运动连续性来挖掘有用的序列上下文，结合双向特征聚合（BiFA）模块和基于体素采样的点云池化技术，使得数百万个点能够在几毫秒内被处理，实现了比其他多帧检测器更好的效率和领先的准确性，并在 Waymo Open Dataset 的 LEVEL1 和 LEVEL2 测试集上分别取得了 83.12% 和 78.30% 的 mAP。

Mar, 2023

通过结合特征提取和匹配方面的发展，我们设计了一个模块化的 SfM 框架，旨在研究全局 SfM 与增量 SfM 方法的性能表现，并且实验证明，在不同数据集上，基于深度学习的两视图对应估计在点密度方面有所提升，但仍不如 SIFT 与增量 SfM 方法相比。

Nov, 2023

本文提出了一种名为 DEFT 的高效的联合检测和跟踪模型，它使用外观匹配网络和对象检测网络共同学习，并添加了 LSTM 来捕获运动约束，DEFT 在应用于更具挑战性的跟踪数据时具有更高的健壮性。

Feb, 2021

本文设计了一种名为 FFT 的端到端 DNN 跟踪方法，采用流动目标和融合目标两种有效技术，其中 FlowTracker 探索复杂的目标运动模式，而 FuseTracker 从 FlowTracker 和检测器中细化和融合目标，在多个 MOT 基准测试中均取得了最先进的结果。

Jan, 2020

提出了一种基于密集间接结构运动方法的鲁棒性摄像机姿态估计方法，利用密集对应初始化并优化长程视频对应关系作为密集点轨迹并用于学习运动分割的鲁棒估计；实验表明我们的系统相对于现有最先进方法在 MPI Sintel 数据集上产生了更准确的摄像机轨迹，并在全静态场景上保持合理的摄像机姿态准确度，这也印证了基于光流和点轨迹的密集间接方法的潜力。

Jul, 2022