提出了一种新的无检测器 SfM 框架，通过注意力机制多视角匹配来改善重建精度，适用于缺少纹理的场景，在基准数据集上优于现有基于检测器的 SfM 系统，并取得了 2023 年图像匹配挑战赛的第一名。

Jun, 2023

本研究提出了一种基于多视图三角化和非线性最小二乘的方法来优化局部图像特征的定位精度，实验证明该方法能够提高手工制作和学习的局部特征的三角化和相机定位性能。

Mar, 2020

本文介绍了一个用于本地特征与鲁棒估计算法的全面基准测试，旨在通过相机位姿的准确性作为主要指标。我们的管道模块化结构允许易于集成、配置和组合不同的方法和启发式算法。同时我们展示了如何嵌入数十种流行算法进行评估，进而表明经典算法在适当的设置下可能仍能胜过认为的最前沿机器学习研究。此外，我们实验发现一些意想不到的图像匹配解决方案的性质，这有助于改进它们的性能，无论是算法还是机器学习方法。我们提供了一个易于使用和灵活的框架，用于衡量本地特征与鲁棒估计方法，同时与顶级方法进行比较，构建了一个基础性的图像匹配挑战平台。

Mar, 2020

本文探讨将语义分割技术整合进 Structure from Motion (SfM) 中，通过利用卷积神经网络对输入图像进行像素标记，进而应用于 3D 点云的估算，并比较标记语义的关键点。在一个重复建筑场景的数据集上进行了验证，提出了一种改进 3D SfM 模型的新方法。

Apr, 2023

通过结合特征提取和匹配方面的发展，我们设计了一个模块化的 SfM 框架，旨在研究全局 SfM 与增量 SfM 方法的性能表现，并且实验证明，在不同数据集上，基于深度学习的两视图对应估计在点密度方面有所提升，但仍不如 SIFT 与增量 SfM 方法相比。

Nov, 2023

本文主要介绍计算机视觉中的结构从运动问题，包括相机运动估计和三维结构恢复等关键技术，以及相关应用，如同时定位和地图构建（SLAM），特征提取和匹配等。

Jan, 2017

我们提出了一种新的深度管道 VGGSfM，其中每个组件都是完全可微的，因此可以进行端到端的训练，通过引入新的机制和简化，我们在三个流行的数据集 CO3D，IMC Phototourism 和 ETH3D 上实现了最先进的性能。

Dec, 2023

本文提出一种可扩展的结构运动问题（SfM）求解方法，通过引入相机聚类算法将大型 SfM 问题划分为具有重叠的相机簇的子问题，并将局部增量 SfM 的相对位置应用到全局运动平均框架中以产生准确且一致的全局相机位姿。我们能够重建含有超过一百万张高分辨率图像的城市级数据集的相机位姿，在基准、Internet 和序列数据集上表现出卓越的准确性和鲁棒性。

Feb, 2017

本研究使用光流、姿态估计和深度估计网络，实现了相对摄像机位姿和深度图的两视角结构运动重建，表现明显优于现有的同类方法。

Apr, 2021

我们通过学习基于场景坐标回归的重新定位方法实现了无特征匹配和高效优化的相机姿态估计，从而构建了隐式的神经场景表示。

Apr, 2024