KFNet: 使用卡尔曼滤波学习时序相机定位
本研究提出了一种基于长短时记忆学习（long short term memory）的方法来丰富动态运动和噪声模型的表征，以应用于计算机视觉中的三个最受欢迎的姿态估计任务，并在所有情况下获得最先进的性能表现。
Aug, 2017
本文介绍了一种使用循环模型进行短视频聚合并实现相机定位的方法。通过考虑短视频的时间平滑性，不仅可以使位姿估计更加平滑，还可以显著降低相机定位误差，并提出了一种从该模型中获得概率位姿估计的方法。我们在实际的自动驾驶和室内定位数据集上进行了评估。
Feb, 2017
DeepKalPose 是一种通过使用基于深度学习的卡尔曼滤波器来增强视频中的单目车辆姿态估计的时间一致性的新方法，它通过整合双向卡尔曼滤波策略、可学习的运动模型以及表示复杂运动模式的方式，显著提高了在各种条件下车辆姿态的准确性和鲁棒性，特别是对于遮挡或远离的车辆。在 KITTI 数据集上的实验证实了 DeepKalPose 在姿态准确性和时间一致性方面优于现有方法。
Apr, 2024
本文提出了一种基于深度学习的摄像机再定位方法，通过卷积神经网络检索相似的数据库图像，并预测查询图像与数据库图像之间的相对姿态，使用 RANSAC 算法进行相对平移估计，并使用第二个 RANSAC 方案将相对姿态融合；此外，作者提出了一个涵盖 5 种不同场景的挑战性室内定位数据集，并在标准的 7 Scenes 测试基准上对方法进行了评估，结果表明该方法适用于之前未见过的场景，并与其他基于 CNN 的最新方法相比效果优异。
Jul, 2017
本研究提出了一种基于姿态回归网络和图神经网络相结合的视觉重新定位方法，可在没有内参信息的情况下达到与绝对姿态回归网络相当的准确性，同时保持相对姿态回归模型的高测试速度和对非训练场景的适用性。
Apr, 2021
本文提出了一种改进的方法来解决摄像机位姿估计问题，利用回归森林对场景中的关键点进行对应，采用几何方法评分并选择最有前途的假设，使用多个快速但不精确的重新定位器级联，调整参数以实现有效的性能，实现了重定位性能的显着提升。
Oct, 2018
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
我们提出了两种创新的数据驱动滤波方法，通过结合可训练的运动模型进行对象位置预测，并将观察结果与对象检测器的预测相结合，以提高边界框预测准确性。我们的方法在多个数据集上进行了广泛评估，证明在对象跟踪方面，尤其是非线性运动模式的情况下，我们的滤波器优于传统的 Kalman 滤波器。
Feb, 2024