自监督学习 VO 的一种特殊考虑一致性的方法，采用具有两层卷积 LSTM 模块的姿态网络对姿态预测中的长期依赖进行建模，通过自监督损失进行训练，包括模拟几何 VO 中的循环一致性丢失的循环一致性丢失，并通过引入一种损失使网络能够在训练期间超出小时间窗口。结果表明，在几个 VO 数据集中表现出竞争性结果，包括 KITTI 和 TUM RGB-D。

Jul, 2020

利用激光雷达传感器获取的稀疏但准确的深度测量，设计了一个自监督视觉 - 激光雷达里程计 (Self-VLO) 框架，该框架通过两个路径编码器提取视觉和深度图像中的特征，并将这些特征与多尺度解码器中的特征通过融合模块融合起来，从而在端到端学习的方式下产生姿态和深度估计。实验结果表明，该方法优于所有自监督视觉或激光雷达里程计，并且优于全监督视觉里程表，证明了融合的强大表现能力。

Jan, 2021

我们提出了一种自我监督学习框架，使用未标记的单眼视频序列生成大规模监督，用于训练视觉里程计前端，并使用输出来创建自我监督数据集以重新训练前端。

Dec, 2018

该论文提出了一种新的混合视觉里程计（VO）框架，利用仅姿态监督来平衡鲁棒性和对大量标注的需求，并采用自我监督的同态学习和随机基于补丁的显著点检测策略，提高系统在各种具有挑战性的环境中的泛化能力。该方法在标准数据集上具有竞争力的性能，并在极端和未知场景中表现出更高的鲁棒性和泛化能力，甚至超过基于密集光流监督的最先进方法。

Apr, 2024

本文基于帧间关联思想，应用自监督深度估计框架，引入生成对抗网络技术，构建了一个视觉里程计系统，实现了更加精准的深度估计以及超越同类方法的姿态估计。

Aug, 2019

我们提出了一种半监督学习方法 XVO，用于训练具有鲁棒自适应性的广义单目视觉里程计模型，适用于不同的数据集和设置。

Sep, 2023

本文提出了一种单目视觉里程计算法，它结合了基于几何方法和深度学习的思想，并利用两个卷积神经网络进行深度估计和光流估计。在 KITTI 数据集上的实验表明，该算法具有较强的鲁棒性和良好的性能。

Sep, 2019

使用深度神经网络进行图像生成任务以提取高级特征，进而估计视觉里程碑的深度和位姿，同时利用光流和循环神经网络以及生成对抗网络改进深度和位姿的估计精度。

Sep, 2023

通过分析主要的失败案例并揭示优化过程的各种缺点，我们诊断了一种流行的学习型 SLAM 模型（DROID-SLAM）的关键弱点。然后，我们提出使用自监督先验，利用冻结的大规模预训练单眼深度估计初始化稠密捆绑调整过程，从而实现鲁棒的视觉里程计，无需对 SLAM 骨干进行微调。尽管方法简单，但在 KITTI 里程计和具有挑战性的 DDAD 基准上，我们的方法显示出显著的改进。代码和预训练模型将在发表后发布。

Jun, 2024

本文提出了一种基于生成对抗网络的无监督学习框架，从未标记的 RGB 图像序列中预测场景的 6 自由度姿态相机运动和单目深度图，并在 KITTI 和 Cityscapes 数据集上给出了详细的定量和定性评估，结果表明该方法优于现有传统和无监督深度 VO 方法，提供更好的姿态估计和深度恢复结果。

Sep, 2018