通过深度 Transformer 网络，使用单目图像估计无人机相对于船舶的 6D 姿态，采用合成数据集和 2D 关键点标注，利用 Transformer 神经网络模型检测关键点并估计各个部位的 6D 姿态，并通过贝叶斯融合整合估计结果，在合成数据和实地飞行实验中测试，表明对于不同光照条件具有鲁棒性和准确性，位置估计误差分别为合成数据的船距离的约 0.8% 和实地飞行实验的船距离的约 1.0%，具有船舶自主无人机降落和导航的潜在应用。

Jun, 2024

我们研究了在水下环境中使用基于图像的位姿回归模型进行重定位的性能。利用 PoseNet 和 PoseLSTM，我们能够从单个 RGB 图像准确地回归出 6 自由度的位姿。此外，我们还探索了使用立体相机图像进行数据增强以提高模型的准确性。实验结果表明，这些模型在模拟和清澈水域中都能够达到高准确度，有望在实际的水下导航和检测应用中发挥有效作用。

Mar, 2024

本文提出了一种针对自主水下载具 (AUV) 的实时稠密三维重建方法，该方法使用了一个鲁棒的 VIO 方法 SVIn2 和一个实时三维重建管道。该管道在四个具有挑战性的水下数据集上获得了可比拟 COLMAP 的重建结果，并在单 CPU 上获得了高帧率。

Apr, 2023

本文介绍了一种基于 HTC Vive 跟踪系统的外部参考系统，用于实时确定水下摄像机的姿态，并展示了该系统在水下应用中的可行性。

May, 2023

利用深度学习和逼真的渲染技术进行空间交会、对接和空间碎片清理中的六自由度姿态估计，通过提出一种面向方向软分类的深度学习框架，通过在 Unreal 引擎 4 上构建模拟器生成标注图像，且在欧洲航天局的姿态估计竞赛中取得了第三名和第二名的优异成绩。

Jul, 2019

本文提出了一种基于合成图像或少量真实图像训练的 6D 物体位姿估计方法，使用第一网络获得粗略姿态估计后，使用第二网络预测精细的二维对应场，并推断所需的姿态纠正，该方法在显著减少合成图像与真实图像领域差异的情况下具有与需要标注真实图像训练的方法相当的性能，而在使用 20 张真实图像时，它的性能明显优于它们。

Mar, 2022

比较不同的深度学习架构以实现水下对接检测和分类，并使用知识蒸馏压缩具有最佳性能的架构，利用生成对抗网络进行图像转换以模拟真实水下图像，最终评估该方法的成功率并与传统视觉方法进行比较。

Nov, 2023

在此研究中，我们提出了一种针对海底人造资产稀疏环境设计的自主水下航行器的新型实时声纳全球定位算法。通过利用两种数据解释前端，并在同一声纳数据流中合并这些观测结果，我们的方法在粒子滤波器内加权高概率区域的粒子或解决对称模糊。在模拟环境中进行了初步实验，结果显示出良好的前景。这项工作为将来的方法发展和在实际情况下的全面评估奠定了基础。

May, 2024

本文主要关注移动水下载具中基于单目图像的实时稠密深度估计问题，提出了一种深度学习模型，通过融合来自三角化特征的稀疏深度测量结果来改善深度预测并解决尺度歧义问题。

Oct, 2023

本文介绍了一种基于深度学习的 6D 姿态估计架构，能够直接从对应点回归 6D 姿态，并提出了单阶段 6D 姿态估计框架，能够在准确性和速度方面显著优于现有的双阶段框架。

Nov, 2019