我们提出了一种基于图神经网络的稀疏特征匹配网络，旨在在具有挑战性条件下执行健壮的匹配，并在移动物体上排除关键点，实验结果表明，与最先进的特征匹配网络相比，我们的网络在在静态环境中实现了类似的结果，并且在高度动态的场景中显著提高了 SLAM 系统的性能。

Mar, 2024

本文提出了一种基于全局几何约束的无监督深度学习光流方法 - Deep Epipolar Flow，并通过对多种强制使用对极约束的光流评估方式进行研究以及提出低秩约束和子空间并集约束来训练以缓解动态场景中存在多个运动时可能出现的 “鸡生蛋” 的问题。该方法在各种基准数据集上表现出卓越的性能，具有与监督方法相当的竞争性，并且优于最先进的无监督深度学习方法。

Apr, 2019

提出了一种基于密集间接结构运动方法的鲁棒性摄像机姿态估计方法，利用密集对应初始化并优化长程视频对应关系作为密集点轨迹并用于学习运动分割的鲁棒估计；实验表明我们的系统相对于现有最先进方法在 MPI Sintel 数据集上产生了更准确的摄像机轨迹，并在全静态场景上保持合理的摄像机姿态准确度，这也印证了基于光流和点轨迹的密集间接方法的潜力。

Jul, 2022

本文提出了 GeoNet，这是一个基于联合无监督学习的框架，可用于从视频中估计单眼深度、光流和 Ego-motion。基于 3D 场景几何关系，由我们的框架以端到端的方式联合学习。实验结果表明，在 KITTI 驾驶数据集中，我们的方法在三个任务中均取得了最先进的成果，优于以前的无监督方法，并与受监督方法相当。

Mar, 2018

提出了一种模块化网络，利用几何分析独立对象运动能从码流场中恢复，利用 3D 刚体转换对背景和多个刚体运动物体进行分割掩模并获得刚性运动分割的最佳性能，从而显着改善深度和场景流估计。

Jan, 2021

本文主要探究利用神经网络从无标注视频中学习单帧 3D 几何和连续帧光流，并将二者并行处理整合得到更好的结果，通过综合实验结果表明该方法优于其他方法。

Oct, 2018

本文通过在未标记视频上观看，利用深度卷积神经网络来学习单张图像的三维几何估计，通过将像素水平的三维物体运动加入到学习框架中，提供了整体的三维场景流理解并有助于单张图像的几何估计。

Jun, 2018

本文提出了一种针对多视角深度估计的新方法，使用 Epipolar 时空变换器和混合专家模型，实现与 SOTA 方法相比更高的估计精度和速度。

Nov, 2020

本文提出了基于光流和边缘线索的新型显着性估计技术和新型邻域图，用于解决快速运动，运动模糊和遮挡等视频分割的挑战，在 DAVIS，SegTrack v2 和 FBMS-59 数据集中取得了超越深度学习方法的最新成果。

Sep, 2018

本研究提出了一种先进的神经网络结构，通过训练无监督的卷积神经网络对光流进行估计，然后将光流网络的输出渲染到完全卷积 SegNet 模型中，从而准确高效地获取运动目标提案。

Feb, 2024