基于线特征的 LiDAR 点云点云配准方法通过 EdgeConv 标记线特征，并使用共享编码器层来训练两个分割和描述头，该方法在无初始变换输入的情况下验证了自己的有效性，对于各种计算机视觉任务具有广泛的应用价值。

Aug, 2022

DeepLSD 是一种结合了深度网络和传统手工设计的边缘检测器，能够在不需要真实边线作为训练数据的情况下进行自适应训练，并且通过优化吸引力场和消失点提高了检测的精度。

Dec, 2022

文章提出了使用 Line-Transformers 来解决视觉几何问题，这种方法既能够处理变长的线条特征，又能够有效提取线条的几何属性，以提高特征匹配和对视觉定位的准确性。

Sep, 2021

通过利用一个轻量级神经网络，我们展示了如何学习表示三维点和线特征，并通过多个学习映射的力量在姿态准确性方面取得领先的结果。我们通过使用一个转换器块编码线特征，将其有效地转化为独特的点式描述符，并在几个图层中集成自注意力和交叉注意力，从而有效地优化每个特征后使用两个简单的多层感知器进行三维地图回归。在综合实验中，我们的室内定位结果在基于点和基于线的配置上都超过了 Hloc 和 Limap 的结果。而且，在户外场景中，我们的方法取得了显著的领先地位，是目前基于学习的方法中最重要的改进。

Feb, 2024

本文提出一种新的匹配模式，将点、线及其描述符统一成一个单独的框架结构，并提出 GlueStick，一种深度匹配图神经网络，以便从不同的图像中取出两个线框并利用节点之间的连接信息更好地将它们粘合在一起。我们证明了这种匹配策略可以优于当前最先进的独立匹配线段和点的方法，适用于各种数据集和任务。

Apr, 2023

该研究提出了一种基于模型驱动的方法来检测图像线段，通过使用线性卡尔曼滤波器逐步在梯度图像上检测线段，并估计其支持线参数及其相关方差。该算法在处理图像噪声和光照变化方面表现出色，可以检测到比数据驱动方法更长的线段，并且无需繁琐的参数调整。此外，还提出了一种扩展算法，利用金字塔方法来提高结果的质量。通过与经典方法的对比以及在不同场景光照下的测试，证明了该方法的有效性。

Nov, 2023

该研究提出一种新的方法，使用简单的图形表示法描述交点、线段和它们之间的关系，并使用 PPGNet 卷积神经网络从图像中提取线段图。经过对 York Urban 和 Wireframe 数据集的测试表明，该方法具有较好的性能，并可以推广到所有测试数据集中。

May, 2019

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

本文章提出了一种名为 “高效线段检测和描述器（ELSD）” 的模型，它可以同时在图像中检测出线段并提取其描述符，利用共享特征提取器在实时中提供线特征以进行 SLAM 和图像匹配等高级任务。ELSD 在准确性和效率方面均优于以前的作品，并在线匹配任务中表现出更好的线描述能力。

Apr, 2021

综述了关于二维图像线段的检测和描述的研究，提出了两个线段检测和描述的分类，并分析和总结了现有的方法的关键问题、核心思想、优缺点以及其潜在的应用，同时评估了一些最新的线段检测和描述算法，以指导研究人员选择最佳的方法进行视觉应用。

Apr, 2023