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

本文提出了一种基于生成对抗网络的无监督学习框架，从未标记的 RGB 图像序列中预测场景的 6 自由度姿态相机运动和单目深度图，并在 KITTI 和 Cityscapes 数据集上给出了详细的定量和定性评估，结果表明该方法优于现有传统和无监督深度 VO 方法，提供更好的姿态估计和深度恢复结果。

Sep, 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

深度神经网络在单目结构光系统中的密集视差估计方面取得了显著进展，但在未知环境中应用时性能显著下降。为了解决这个问题，提出了自监督在线适应作为解决方案来弥合这种性能差距。本文提出了一种基于长序列输入的无监督损失函数，确保更好的梯度方向和更快的收敛。我们的损失函数是使用多帧模式流设计的，该流由序列中的投影模式的一组稀疏轨迹组成。我们使用基于滤波器的方法估计稀疏伪地面真实性，它引导了在线适应过程。我们提出的框架显著提高了在线适应速度，并在未知数据上取得了卓越的性能。

Oct, 2023

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

本文基于帧间关联思想，应用自监督深度估计框架，引入生成对抗网络技术，构建了一个视觉里程计系统，实现了更加精准的深度估计以及超越同类方法的姿态估计。

Aug, 2019

该论文提出了一种新的混合视觉里程计（VO）框架，利用仅姿态监督来平衡鲁棒性和对大量标注的需求，并采用自我监督的同态学习和随机基于补丁的显著点检测策略，提高系统在各种具有挑战性的环境中的泛化能力。该方法在标准数据集上具有竞争力的性能，并在极端和未知场景中表现出更高的鲁棒性和泛化能力，甚至超过基于密集光流监督的最先进方法。

Apr, 2024

提出一个新的单目视觉里程计框架 D3VO，它利用三个层次的深度网络 —— 深度、姿态和不确定性估计，并使用自监督单目深度估计网络训练了预测亮度变换参数，提高了深度估计精度和提供了学习到的光度残差加权函数，进而实现前端跟踪和后端非线性优化。在 KITTI 里程测量基准和 EuRoC MAV 数据集上测试表明，D3VO 在单目视觉里程计方面的表现优于传统方法和其他最先进的 VO 方法，同时仅使用一个相机就可以实现与最先进的立体 / LiDAR 里程测量和最先进的视觉惯性里程测量相媲美的结果。

Mar, 2020

本文提出了一种新颖的单目视觉里程计（VO）系统 UnDeepVO，其能够使用深度神经网络估计单目相机的 6-DoF 姿态和视野深度，该系统具有无监督深度学习方案和绝对尺度恢复两个显着特点，并且在 KITTI 数据集上获得了良好的姿态精度。

Sep, 2017

我们提出了一种自我监督学习框架，使用未标记的单眼视频序列生成大规模监督，用于训练视觉里程计前端，并使用输出来创建自我监督数据集以重新训练前端。

Dec, 2018