本文提出了一种新的、基于深度循环卷积神经网络（RCNNs）的单目 VO 的端到端框架，通过该框架，可以直接从一系列原始 RGB 图像（视频）中推断出姿态，同时具备学习有效特征表示、深度循环神经网络中的序列动力学和关系的功能，实验验证了该技术具备与传统 VO 系统相当的竞争力。

Sep, 2017

本文介绍了一种在直接稀疏视觉里结合使用视觉显著性和场景分析新方法，命名为SalientDSO，并通过CVL-UMD数据集进行了定量和定性比较，超越了DSO和ORB-SLAM这两种最先进的方法。这是首次使用视觉显著性和场景分析来驱动直接VO的特征选择。

Feb, 2018

该论文提出了一种利用几何结构作为自我监督信号的无监督深度视觉里程计学习范例，并表明这种方法与监督学习方法在性能上的竞争力相当。

Apr, 2018

本研究提出了一种视觉里程计框架，采用三个组件：内存、优化和特征集中。在几个基准数据集上进行的实验证明，相比于现有的学习方法，该方法在纹理不佳和突发运动等复杂环境下具有更优异的性能。

Apr, 2019

本研究提出了一种利用循环神经网络和多视图图像重投影以及前向-后向流一致性损失来训练的学习型多视图稠密深度地图和里程计估计方法，可用于视频的深度和视觉里程计估计，产生优于现有技术的单视图和多视图深度估计结果。

Apr, 2019

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

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

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

该论文提出了一种基于深度学习的视觉里程计的一致性损失函数，实验证明该方法提高了模型在KITTI里程计基准上的性能。

Jan, 2024

本文介绍了一种用于无人机的新型实时单目视觉里程计模型，使用了深度神经网络架构和自注意力模块，能够通过连续视频帧估计相机的自身运动，进而估计无人机的轨迹。该模型在两个视觉里程计数据集上测试，收敛速度比之前的循环神经网络模型快48％，并且平均平移漂移减少了22％，平均平移绝对轨迹误差改善了12％，表现出更强的抗噪能力。

Apr, 2024