本文介绍了使用适应性选择事件窗口中的信息形成运动补偿图像来重建场景以及估计相机的 6-DOF 姿态，并提出了一个惯性版本的仅事件流水线，以评估其性能。通过对两个公开事件数据集的序列的不同配置的结果与基准进行比较，本文证明了所提出的事件惯性流水线可以产生相当或更准确的结果，前提是地图估计可靠。

Jan, 2023

通过建立事件的生成模型来解决映射和相机姿态跟踪的问题，并提出提高事件边缘像素采样效率以及结合时间立体结果和静态立体结果来改善映射性能，同时通过引入陀螺仪测量作为先验来解决相机姿态跟踪中的退化问题，通过公开数据集的实验证明了改进的方法的有效性。

May, 2024

本文提出了一种基于逆深度线定位 (IDLL) 的视觉同时定位和地图构建方法，通过识别室内的线特征并利用逆深度变量来减少冗余，达到更高的精度和效率，与目前基于特征的 VSLAM 方法相比，在多种感知挑战数据集上能够达到更准确、更健壮和更低的计算开销。

Apr, 2023

基于事件相机，本研究提出了第一个单目纯事件系统 Deep Event VO (DEVO)，通过稀疏追踪选定的事件块，显著减少了七个真实场景基准测试上的位姿跟踪误差，较单纯事件方法减少了 97%，并且通常优于或接近立体或惯性方法。

Dec, 2023

本文提出了一种基于动态视觉传感器的异步相机的新颖跟踪算法，该算法可以在极低光和噪声条件下，无需任何外部传感器，且无需任何特征跟踪或显式光流计算即可检测和跟踪不同移动对象。

Mar, 2018

使用事件相机进行线性运动估计仍然是一个开放的问题，本文针对此问题提出了一种正确的非线性参数化方法，并引入了一种新颖的 5 点求解器来联合估计线参数和线性摄像机速度投影，以对多条线进行融合，从而生成更稳定的相对运动估计，并捕捉到更多的内点。

Sep, 2023

本文提出了新的 TUM VI 基准数据集，为不同场景下的视觉惯性 (VI) 里程计进行评估提供具有多样性的序列，其中提供了相机图像和 IMU 测量值，并使用运动捕捉系统提供了准确的姿态真值。

Apr, 2018

本论文提出了一种基于数据驱动的二阶段流程，首先估计设备的朝向，然后估计设备的位置。该流程使用普通智能手机，并依赖于循环神经网络和扩展卡尔曼滤波器来获得朝向实现定位。研究表明，我们提出的方法在定位和朝向误差方面优于现有方法。

Feb, 2021

本文提出了一种基于 2D-3D 线对应的高效单目相机在先前 LiDAR 地图中的定位方法，并使用位姿预测和离群值排除来优化相机位姿和 2D-3D 对应关系的投影误差，实验结果表明该方法可以在结构化环境中高效地估计相机位姿。

Apr, 2020

本研究提出了基于事件的学习方法，用于室内场景下的运动分割，并提出了第一个事件数据集 - EV-IMO。该研究基于使用低参数神经网络结构在事件数据上实施 SfM 学习流程的高效实现。在 EV-IMO 数据集上，该方法优于其他竞争者，并适用于机器人应用。

Mar, 2019