本文提出一种基于新的角度重投影误差损失方法的卷积神经网络训练方式，在无需精确初始化的情况下能够获得更准确的结果，并且可以利用多视角约束来进一步提高性能。

Aug, 2018

本文提出了一种基于 RepNet 的 3D 人体姿势估计方法，通过忽略 2D 到 3D 的匹配关系，避免了过度拟合，并且实验表明该方法可以快速而准确地对未知数据进行估计。

Feb, 2019

论文探讨了使用几何学和场景重投影误差等新颖的损失函数进行深度学习相机位姿回归的方法，同时展示了该技术在不同数据集上比 SIFT 算法更好的性能。

Apr, 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

本研究通过使用平移及旋转等变卷积神经网络来将相机运动的表示直接归纳为特征空间，从而证明了直接学习等变特征优于学习中间表示，并表明我们的轻量级模型在标准数据集上优于现有模型。

Apr, 2022

NoPose-NeuS 是一种将 NeuS 扩展到联合优化相机姿势、几何和颜色网络的神经隐式表面重建方法，通过将相机姿势编码为多层感知器 (MLP) 并引入多视图特征一致性和渲染深度损失，约束学习到的几何来获得更好的相机姿势和场景表面估计。DTU 数据集上的广泛实验表明，该方法能够估计相对准确的相机姿势，同时保持高质量的表面重建，平均 Chamfer 距离为 0.89。

Dec, 2023

提出了一种新的神经网络训练框架，可以在只有 2D 注释的情况下学习非刚性物体的 3D 信息，该框架通过自动确定适当的旋转解决了非刚性结构运动估计中同时估计旋转和变形的难点，使用损失函数进行训练后，网络可以学习人类骨架和面孔等对象的 3D 结构，在测试过程中可以处理带有丢失入口的输入，实验证明该框架表现优异，即使底层网络结构非常简单，在 Human 3.6M、300-VW 和 SURREAL 数据集上均优于现有最先进的方法。

Jul, 2020

本文提出了一种深度 CNN 模型，该模型能够同时解决 6 自由度绝对摄像机姿态和 2D-3D 对应关系，通过全局特征匹配模块和分类模块实现了对无先验知识的 2D-3D 对应关系的盲目 PnP 问题的有效解决。

Mar, 2020

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

我们提出了相对位姿回归的几种新度量方式并给出了一种新的姿态回归网络，将其与传统方法比较，结果表明新的度量方法比传统方法更稳健，并且我们的网络在单个场景训练模型后，在其他场景上的性能损失很小。

Sep, 2020