探讨深度学习在视觉里程计系统中的应用，利用 Fine-Tuning 和 LSTM 网络对数据进行增强，提高数据表示能力，并通过使用小型 CNN 网络进行实时性优化，最终通过与 ORB-SLAM 和 DSO 等算法进行对比验证了该方法的提升效果。

Jul, 2017

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

本文提出了一种基于深度强化学习的相机曝光控制框架，以实现实时处理并在不同动态光照条件下迅速控制相机曝光。该框架通过简化训练场景、奖励设计、状态设计和域随机化等方法，实现了在五个步骤内快速达到所需曝光水平，并在不同计算机视觉任务中表现出优越性。

Apr, 2024

本文提出了一种基于在线元学习算法的自监督 Visual Odometry（VO）方法，利用了卷积长短时记忆（convLSTM）和特征对齐技术，实现了 VO 网络的持续适应新环境和快速自我更新。实验证明，该方法在未见过的户外场景、虚拟到真实世界和室外到室内环境转换中都明显优于基于自监督学习的 VO 基线方法。

May, 2020

本文提出了一种在线光度标定方法，该方法使用鲁棒的 KLT 特征跟踪获得场景点对应关系，用于非线性优化框架，从而恢复连续帧的曝光时间、摄像机响应函数和传感器污损因子，实现对任意视频序列的可靠标定，并验证了其可以提高基于像素强度完全在线标定光度参数的最先进直接视觉里程计方法的性能。

Oct, 2017

本文提出了一种基于点线特征的立体视觉里程计（StereoVO）技术，并使用一种基于注意力图神经网络的新型特征匹配机制，在恶劣的天气条件（如雾、霾、雨和雪）和动态光照条件（如夜间照明和眩光场景）下表现出色，通过稳健的点线匹配在低能见度天气和光照条件下完成立体视觉里程计。实验证明，与先进的线特征匹配算法相比，我们的方法能够获得更多的线特征匹配，而与点特征匹配相结合，在恶劣的天气和动态光照条件下表现一致优秀。

Aug, 2023

本文介绍了一种基于 Retinex 理论的视频曝光校正方法，通过构建配对的视频数据集，并利用多流照明学习机制对过曝和欠曝进行增强来提高视频的质量，实验结果表明，该方法在图像曝光校正和欠曝视频增强方面优于现有方法。

Feb, 2024

通过数据驱动方法和深度神经网络，学习相机处理管道，将短曝光、低光原始传感器数据转换为高曝光 sRGB 图像，从而显著提高了极低环境光下捕获图像的视觉质量。

Apr, 2019

本研究提出了一种新的基于卷积神经网络的多任务全局姿态矫正和里程计评估方法 VLocNet，该模型结构紧凑、可实现实时推断，并采用了一种新颖的辅助损失函数来利用相关位姿信息进行训练，在室内和户外数据集上的实验结果表明，该模型具有可与 SIFT 算法媲美、甚至优于其表现的定位精度。

Mar, 2018

本文提出了一种单目视觉里程计算法，它结合了基于几何方法和深度学习的思想，并利用两个卷积神经网络进行深度估计和光流估计。在 KITTI 数据集上的实验表明，该算法具有较强的鲁棒性和良好的性能。

Sep, 2019