本文介绍了一种基于单张图像强度数据的密集场景几何表示方法，在单目稠密 SLAM 系统中具有优异的性能表现。

Apr, 2018

该研究提出了一种基于变分自编码器的语义表示方法，实现了对三维语义地图的实时增量建立与空间一致的语义标签融合，可以用于单目关键帧语义映射系统，并能够实现对位姿、几何和语义的联合优化。

Mar, 2019

我们提出了一种实时的基于视觉惯性的稠密建图方法，可使用顺序单眼图像和惯性测量单元（IMU）读数进行增量式三维网格重建，并提出了稀疏点辅助的多视角深度学习神经网络 (SPA-MVSNet)，即使在噪声密集的情况下也能实现高质量的 3D 网格重建。

Jun, 2023

提出了一种利用神经隐式场表示解决室内场景语义 V-SLAM 问题的在线框架，并通过多项实验表明其在测试时间具有精确的跟踪、地图绘制和语义标注能力，能够扩展到 RGB 图像输入，为机器人视觉感知及相关问题提供了可行的解决方案。

Apr, 2023

该研究论文利用学习到的紧凑深度图表示和重构三种不同类型的误差，将光度误差，重投影误差和几何误差应用于标准因子图软件中，将不同的方法统一到概率框架中，实现实时性能的同时对现实世界序列的轨迹估计和深度重建进行评估，并呈现了估计的丰富几何示例。

Jan, 2020

本论文将最新的深度学习方法与基于视频流的半稠密 SLAM 相结合，在室内 / 室外数据集中得到了更好的 2D 语义标签识别，无需针对序列中的每一帧获得语义分割，其时间复杂度也得以合理控制。

Nov, 2016

本文提出了一个轻量级的深度网络和视觉惯性测距（VIO）系统，利用提出的轻量级条件变分自动编码器（CVAE）来提高初始深度预测的精度和泛化能力，以便提供精确的状态估计和稠密的深度图。

Dec, 2020

使用深度状态空间模型中的近似贝叶斯推理方法，结合多视图几何和刚体动力学的领域知识，进行六自由度本地化和三维密集重建。我们的方法在真实的无人机飞行数据上进行评估，接近最先进的视觉惯性测距系统的表现，并展示了模型在生成预测和规划方面的应用性。

Jun, 2020

本文提出了一种基于关键帧的密集相机跟踪和深度图估计系统，该系统完全是通过学习而实现的，实现了小姿态增量的估计和大量姿态假设的产生，并通过成本体积累积信息和图像先验来更新深度预测，具有优越的 RGB-D 跟踪算法性能和与强大的传统和深度学习算法比较的竞争力。

Aug, 2018

提出了一种基于立体输入的视觉里程计法的稠密建图算法，该算法针对大规模动态城市环境中的高级移动机器人任务，同时重建静态背景、移动物体和潜在移动的静止物体。

May, 2019