介绍一种新颖的深度网络架构，实现了完整的特征点处理流程，包括检测、方向估计和特征描述，并展示了其在多个基准数据集上超过现有方法的性能表现，同时不需要重新训练。

Mar, 2016

本研究提出了一种新的基于 CNN+LSTM 的摄像机姿态回归方法，该方法针对室内和室外场景，并且通过 CNN 可学习适合的特征表征来进行定位，使用 LSTM 作为特征向量的结构化降维方法，在定位性能方面取得了极大的改善，并针对基于 CNN 和 SIFT 的定位方法进行了广泛的定量比较，还提出了一种新的基于激光扫描的大型室内数据集，实验结果表明，我们的方法在定位图像时性能优于现有的深度体系结构，在具有挑战性的环境下都能够成功定位。

Nov, 2016

本论文提出了一种有效提取局部特征的方法，使用基于 CNN 的深度图像，对图像进行预处理和透视校正，以增强 SIFT 和 BRISK 特征的匹配，从而提高 3D 重新定位和多视角重建的鲁棒性。

Aug, 2020

我们提出了 DeFeat-Net（深度和特征网络），一种同时学习跨领域密集特征表示和基于扭曲特征一致性的稳健深度估计框架的方法。通过同时学习特征、深度和运动，我们的技术能够推广到具有挑战性的领域，并能够在更具挑战性的序列中优于当前最先进技术约 10％的所有误差度量。

Mar, 2020

本文探讨了一种基于神经光场表示的少样本新视角合成策略，其使用了隐式神经网络将光线映射到目标像素的颜色，且通过由由粗略体积渲染产生的本地光线特征来确定网络的条件。该方法使用 3D ConvNet 构建的输入图像的 3D 特征体积，实现了比现有的神经辐射场方法更加快速且在合成和真实的 MVS 数据上取得了竞争性的性能。

Jul, 2022

本研究提出了一种新的基于卷积神经网络的多任务全局姿态矫正和里程计评估方法 VLocNet，该模型结构紧凑、可实现实时推断，并采用了一种新颖的辅助损失函数来利用相关位姿信息进行训练，在室内和户外数据集上的实验结果表明，该模型具有可与 SIFT 算法媲美、甚至优于其表现的定位精度。

Mar, 2018

本文提出了一种使用卷积神经网络在像素级别取得可靠对应的方法，该模型可以同时作为密集特征描述符和特征检测器，并且在后期检测可以获得比传统低级结构的更稳定的关键点，从而实现了在无法获取更多注释信息的情况下训练该模型，该方法可以在难以定位的数据集（Aachen Day-Night localization dataset）和室内定位测试基准（InLoc indoor localization benchmark）中获得最先进的表现，同时在其他图像匹配和 3D 重建基准测试中也有竞争力。

May, 2019

本研究利用深度神经网络进行对物体在已知场景下的姿态估计，其中提出了使用场景无关的神经网络模型 PixLoc，通过特征学习和度量学习方法将相机定位问题转换为多尺度特征直接对齐，该模型以像素数据作为输入并经过端到端训练后能够在大型环境中实现定位，同时通过精确的稀疏特征匹配以更小的代价实现关键点和姿态的联合优化。

Mar, 2021

使用卷积神经网络进行非监督学习，提取图像中的高级特征，并取得了针对 20,000 个物体类别的显著优化结果。

Dec, 2011

本文提出了一种新颖的在线深度图融合方法，该方法使用潜在特征空间学习深度图聚合，并通过附加的翻译器网络在场景表示和输出场景表示之间分离，该方法适用于处理高噪声等异常值，实验结果表明，与现有技术相比，在处理大量噪声和异常值的挑战性场景中获得了改进。

Nov, 2020