LASER 是一个基于图像的蒙特卡罗定位 (MCL) 框架，采用潜在空间渲染的概念，通过聚合视角射线特征将 2D 平面地图上的位姿假设直接渲染到几何结构化的潜在空间中。采用紧耦合的渲染码本方案，该方案在渲染时动态地基于其几何形状（即长度，入射角）确定视角射线特征，从而赋予我们的表示具有视角相关的细粒度可变性。此外，通过度量学习，我们的几何结构化潜在空间对位姿假设和任意视场的查询图像都是共通的。结果，在大规模室内定位数据集上，LASER 在全景和透视图像查询中实现了最先进的性能，同时在速度上明显优于现有的基于学习的方法。

Apr, 2022

本文提出了一种简单而有效的基于物体的室内重定位方法，称为 AirLoc。通过提取物体外观嵌入和物体间的几何关系来解决物体重新识别和记忆物体关系的关键挑战，并将几何和外观特征相结合生成累积场景特征，从而实现了强大、准确、便携的室内重定位系统，并在室内重定位的 PR-AUC 和准确性方面优于现有方法 9.5% 和 7%。

Apr, 2023

我们提出了一种高效的数据驱动的解决方案，用于楼层平面图的自我定位。该方法不需要每张地图和位置的重新训练，也不需要大量图片数据库。我们提出了一个由观测模块和新型时间滤波模块组成的新颖概率模型。我们的方法适用于传统消费硬件，并克服了其他方法常常需要直立图像的共同限制。我们的系统满足实时要求，并在性能上显著超过现有技术。

Mar, 2024

LLplace 是一种基于轻量级精细调整的开源 LLM Llama3 的新颖的 3D 室内场景布局设计工具，通过用户输入指定房间类型和所需对象来有效生成和编辑 3D 室内布局，并在提供高质量的 3D 设计解决方案方面优于现有方法。

Jun, 2024

该研究提出了一种算法，可以从单张全景图像中预测房间布局，不仅适用于全景图像和透视图像，也适用于长方体布局和更一般的布局形式，方法采用基于消失点的图像对齐，预测多个布局元素，并将结果拟合为受限制的曼哈顿布局，速度和准确率都达到了现有全景图像相关算法的较好水平，并可以处理长方体形状和更一般的曼哈顿布局。

Mar, 2018

本篇研究论文介绍了一个名为 DuLa-Net 的深度学习框架，可从单个 RGB 全景图中预测曼哈顿世界 3D 房间布局，该方法利用全景视图和俯视图的两个投影来提高预测精度，以及一个新颖的特征融合结构用于连接这两个分支，并进行联合训练来预测 2D 楼层平面图和布局高度，实验结果表明，在预测精度和性能方面，尤其是具有非长方体布局的房间，我们的方法优于最新的最先进技术。同时我们引入了 Realtor360 数据集，其中包含了曼哈顿世界房间布局的全景图像。

Nov, 2018

使用新型的激光雷达 SLAM 技术和结构运动优化方法在大型商场和地铁站获取室内数据集以便于在室内环境中进行视觉定位，并测试现代化的视觉定位算法，证明结构基方法使用健壮的图像特征具有更高的性能。

May, 2021

该论文提出了一种解决全局定位问题的方法，通过使用基于 Siamese LocNets 的半手工表示学习方法，在全局先验地图中实现了场所识别和尺度姿态估计，并且提出了一个使用仅距离观测的全局定位框架。通过 KITTI 数据集和自主收集的多个数据集的实验结果表明，该系统能够实现高精度的全局定位。

Dec, 2017

该论文的研究重点为从单目 RGB 图像中估算房间布局，采用端到端可训练的编码 - 解码网络 RoomNet 直接估算有序的房间布局关键点，实现了与最新工作相比 200-600 倍的加速和最新的性能。

Mar, 2017

本文提出了一种基于图像的定位方法，使用本地特征和稀疏的三维模型进行全球规模的离线和在线实时客户端姿态融合，实现低延迟本地化查询，证明了该方法在大规模模型上的有效性。

Jun, 2019