本研究通过利用深度学习网络预测地物高度和从静态影像中预测光流等方法，开发了一种地心极位姿的编码方法，并训练了一个深度网络来计算该表示方法，并且在航空激光雷达数据的监督下实现了高密度表示，实验表明该方法能 大幅提高物体定位的准确性和从非常不同视角拍摄的多个图像的精确对齐，在斜视卫星图像的语义分割任务中具有较好的应用潜力。

Jul, 2020

本研究提出了一种基于高阶 3D 几何约束的深度预测模型，通过在重建的 3D 空间中随机采样三个点确定虚拟法向方向并设计相应的损失函数，能够显著提高深度预测的准确性，从而实现直接从深度图中恢复场景的 3D 结构（如点云和表面法向），进而消除了训练新子模型的必要性，并在 NYU Depth-V2 和 KITTI 等数据集上达到了最先进的性能水平。

Jul, 2019

利用全数据驱动的方法计算深度，通过对非刚性场景开发一种新数据集，其中包括大量的非刚性对象，特别是人，提出了一种损失函数进行深度预测，评估方法并表明该方法对自然场景具有更好的泛化能力。

Apr, 2019

我们的方法通过在网络中添加最新的 3D 几何数据作为额外输入，结合之前的几何提示，利用深度和 3D 场景重建领域中的先前工作，实现了与实时交互速度相比达到最先进的深度估计和场景重建。

Jun, 2024

本文研究了利用 VI-SLAM 系统从稀疏深度点云与室内场景图片中学习场景深度完成的问题，特别地，本文使用预训练的表面法向网络结合利用可用的重力估计来修正输入图像的视角限制，从而提高了表面法向估计和深度完成精度。最后，本文在 ScanNet、NYUv2 和 Azure Kinect 数据集上展示了我们的方法超越了其他最先进的方法。

Jul, 2020

本文介绍了一种使用视频和惯性传感器（加速度计和陀螺仪）在三维空间中检测物体的系统，采用先验的方法进行物体的识别和定位，利用卷积神经网络近似其可能性函数，能够实时处理视频并提供持久性的物体表示

Jun, 2016

使用单个图像进行三维重建存在困难，使用单个图像与文本描述相结合可以提高度量标度重建性能。

Apr, 2024

本文提出一种利用相机运动和视觉惯性测距系统估算的稀疏深度来推断密集深度的方法，采用预测性跨模态标准，通过构建场景的分段平面脚手架来推断密集深度，并在 KITTI 深度完成基准上表现出最先进的性能。

May, 2019

本文提出通过深度注意力体加入非局部共面性约束来引导深度估计，从而在室内环境中取得最先进的深度估计结果。

Apr, 2020

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