本文提出了一种基于几何感知的地球到卫星图像地理定位方法，该方法可以实现对查询图像的精准定位，其精度可达卫星图像的像素级，同时提出了一种新的基于几何感知的图像检索流程，以提高定位准确性。

Mar, 2022

该研究提出了一种基于图像的实时定位方法，通过结合一种基于二进制特征描述符的快速关键点跟踪方法和一个新的直接 2D 到 3D 匹配方法，有效地对大场景下的相机位置进行计算，并实现了实时的运行效果。

Mar, 2012

本文提出了一种使用 Google Street View 中地理标记全景作为全局定位源的新方法，通过追踪短单眼相机序列中的特征点，估计 3D 位置，然后计算 Street View 全景图与估计点之间的刚体变换，进而实现了机器人自动测距。

Mar, 2015

通过提出一个动态加权的 GPS-to-Scale 损失函数来利用全球定位系统数据提高稠密深度估计，从而实现尺度一致和感知的深度估计。

Mar, 2021

本文提出了一种基于图像的定位方法，使用本地特征和稀疏的三维模型进行全球规模的离线和在线实时客户端姿态融合，实现低延迟本地化查询，证明了该方法在大规模模型上的有效性。

Jun, 2019

从单个图像中估计相对于全局框架的六自由度相机姿态的问题，我们提出了一种利用相对空间和时间几何约束的新颖网络来引导定位的深度网络的训练方法。利用相邻相机帧和场景中时空距离较远的相机帧获得的空间和时间相对姿态约束，我们的方法能够学习到在只有少量或非常稀疏的地面真实 3D 坐标可用的情况下进行定位。我们在三个常见的视觉定位数据集上评估了我们的方法，并证明其优于其他直接姿态估计方法。

Dec, 2023

本篇论文提出了一种增加地面摄像头位置和方向准确度的方法，通过估计地平线图像和卫星图像之间的相对旋转和平移，设计一种几何引导的交叉视图转换器，构建一个强大的神经姿态优化器来估计它们之间的相对旋转，通过空间相关性生成车辆位置的概率图，并明显优于现有技术。

Jul, 2023

本研究提出了一种新颖的联合语义本地化和场景理解方法，通过训练卷积神经网络，通过物体实例的自我表征和 6-DoF 相机姿态预测来实现 3D 场景坐标估计，并且相比直接姿态回归或基于场景坐标的姿态估计算法更加准确。

Sep, 2019

本文研究基于球面图像拍摄几何的三维重建算法，提出了增量式结构化学习工作流并通过三个球面数据集进行验证。结果证明该工作流可以成功重建复杂场景并为开源软件包的实现提供有用线索。

Jun, 2023

本文提出了一种用于在 RGB-D 传感器上进行大规模 3D 重建的实时表面矫正方法，该方法通过实时估计相机运动并在全局姿势图优化中进行精调来纠正可能出现的表面偏差，能够在仅使用单个 GPU 的情况下实现大型环境的实时表面纠正，相比最新技术而言，具有更高的运行时效率并且需要显著更少的内存。

Sep, 2017