大规模重建的平方根束调整
提出了一种基于 LM 算法的随机捆绑调整算法，通过图像的聚类，将 RCS 近似分解到 LM 迭代中以提高计算效率并改进可扩展性，实验结果表明该方法在无序网络图像集、SLAM 图像集和大规模数据集上都具有很高的效率和可扩展性。
Aug, 2020
本文提出了利用精确的 Levenberg-Marquardt 算法进行分布式大规模数据集的 bundle adjustment 方法，使用基于块的稀疏矩阵压缩格式来存储和更新全局 reduced camera system，并在实验中展示了该方法的高效性和可扩展性。
Jul, 2023
本文提出了一种完全去中心化的方法，通过重构再投影误差和导出新的代理函数，解决了通信和计算瓶颈，将 bundle adjustment 问题分解成可并行求解的最优化子问题，最终达到更快的收敛速度和更准确的结果。
May, 2023
提出了一种基于滚动快门相机的相机姿态估计和环境几何估计的鲁棒快速 Bundle Adjustment 解决方案，该方案采用了标准化和协方差标准化加权的组合，避免平面退化，并针对其雅可比矩阵和舒尔补的稀疏性进行加速。
Sep, 2022
基于初始化的无初始化捆绑调整问题的求解方法相对较少，与 Levenberg-Marquardt 算法相比，未充分探索的 Variable Projection 算法展现了宽广的收敛区域，结合对象空间误差构建，最近的研究已经展示了其无初始化捆绑调整问题求解的能力，本研究引入了基于幂级数的反转扩展方法来扩展 Power Variable Projection，将幂级数扩展与 Riemannian 流形优化相连，这一投影框架对于无初始化的大规模捆绑调整问题求解至关重要，实验证明，使用真实世界的 BAL 数据集，我们的求解器在速度和准确度方面达到了最先进的结果，特别地，我们的工作是首次解决了无初始化 BA 的可扩展性，并为无初始化的结构运动打开了新的研究方向。
May, 2024
通过将 bundle adjustment 问题看作一个强化学习任务，我们提出了一种方法来训练一个代理模型选择阻尼因子，该方法显著减少了达到 bundle adjustment 收敛所需的迭代次数，并且可以与其他加速方法整合。
Aug, 2023
针对嵌入式计算机视觉应用中使用单精度浮点数的情况，提出了一种名为 QRkit 的基于 QR 分解的稀疏求解器集合，适用于一些常见的计算机视觉稀疏模式，解决了单精度下精度丢失的问题，并在实验中取得了竞争性能。
Feb, 2018
该论文介绍了一种具有渐进空间平滑的 LiDAR 束调整方法，用于复杂环境下的点云构建，能够获得高质量的点云重建结果，并在复杂环境中展现出更好的精度。
Mar, 2024
本篇论文提出了一种新的二阶优化框架，用于处理矩阵缩放和平衡问题，提出了可以忽略对数因子的算法，可以在几乎线性时间内解决这些问题，同时提供了一种使用内部点方法的单独算法，以及广泛适用的第二阶鲁棒函数最小化方法。
Apr, 2017