提出了一种新的直接稀疏视觉里程计公式，将全直接概率模型（最小化光度误差）与所有模型参数（包括几何结构-在参考帧中表示为反深度-和相机运动）的一致联合优化相结合。

Jul, 2016

提出了一个包含50个具有独特多样性的现实中场景的数据集，用于评估单目视觉里程计和SLAM方法的跟踪精度，并在此基础上提出了一个相机光度校准的简单方法以及一种非参数化暗角校准方法，该研究详细评估了两种现有方法（ORB-SLAM和DSO）在该数据集上的效果。

Jul, 2016

提出了立体直接稀疏测距（Stereo DSO）作为一种新的方法，用于从立体相机中高精度实时估计大型环境的视觉测距，尤其是通过采样图像区域中具有足够强度梯度的像素实现实时优化和固定基线三维重建。

Aug, 2017

本文提出了一种新的单目直接视觉里程计方法，该方法利用了卷帘快门模型，通过直接稀疏里程计来对一组最近的关键帧姿态和少量图像点进行捆绑调整，估计每个关键帧的速度并强加一个恒定速度先验性，以此获得准实时且精确的直接VO方法，在具有挑战性的卷帘快门序列上取得了比最先进的全局快门VO更好的结果。

Aug, 2018

本研究提出了一种通过非线性因子恢复和捆绑调整的方法从视觉惯性测距（VIO）中提取有用信息，以实现全局一致的建图和提高准确性。在公共基准测试中，我们证明了该方法优于现有技术。

Apr, 2019

本文提出一种直接的视觉惯性里程计方法（VIO），该方法基于来自快门滚动摄像机和惯性测量单元（IMU）的测量，估计传感器设置的运动和环境的稀疏3D几何图形，并结合光度束调整，估计一组最近的关键帧姿势和稀疏点的反深度，同时利用IMU信息，基于滚动快门效应对速度和偏差进行校准。在公开数据集上进行的实验说明，与不考虑滚动快门的系统相比，所提出的方法表现更好，并在全局快门数据上实现了与全局快门方法类似的准确度。

Nov, 2019

本文提出了一个轻量级的深度网络和视觉惯性测距（VIO）系统，利用提出的轻量级条件变分自动编码器（CVAE）来提高初始深度预测的精度和泛化能力，以便提供精确的状态估计和稠密的深度图。

Dec, 2020

本文提出了一种新的平方根滑动窗口捆绑调整算法，适用于实时里程计应用，通过使用矩阵平方根来存储边缘化先验并处理低秩雅可比矩阵，可与Schur补相当，而且在数字处理效率和准确性方面更优。

Sep, 2021

本文介绍了一种基于深度学习的自适应视觉惯性测距（VIO）方法，采用先进的策略网络，根据运动状态和惯性测量读数，在可能的情况下对视觉模态进行去激活，以减少计算的冗余并实现自适应复杂性缩减。实验结果表明，该技术可在评估KITTI数据集时实现高达78.8%的计算复杂度降低，其性能与完整模态基线方法相当甚至更好。

May, 2022

本研究针对深度视觉惯性里程计中位姿估计精度不足的问题，提出了一种因果视觉惯性融合变换器（VIFT）。该方法通过利用变换器的注意力机制来更好地利用历史数据，从而改善位姿估计的准确性，实验结果表明，VIFT在KITTI数据集上相较于传统方法显著提高了单目视觉惯性网络的精度。

Sep, 2024