本文提出了一种新的地图稀疏化方法，采用二维离散化网格来选择均匀分布的地标，同时基于三维离散化网格引入一个空间约束条件来减少不同空间分布对定位性能的影响，实验表明该方法在效率和定位性能方面都有优越性。

Mar, 2023

本文提出了一种基于结构和图像的语义匹配方法，能够在诸如季节、亮度、天气和昼夜变化等多种条件下实现准确和稳健的视觉定位，实验证明该方法相较于现有技术有显著的提升。

Apr, 2019

我们提出了一种新颖的功能点匹配方法，适用于长期场景下的在户外进行稳健准确的视觉定位。我们在已注册的参考图像数据库中，使用最近的检索技术将查询图像进行匹配，通过这个得出第一个相机位姿的估计。然后，我们在查询图像和检索出来的参考图像之间匹配 2D 特征点以优化位姿估计。与以前的方法不同的是，我们只需在检索出来的参考图像中稀疏提取特征点，然后用 Sparse-to-Dense Hypercolumn Matching 方法进行快速、稳健的匹配，最终估计相机位姿。我们的实验表明，这种方法在多个具有挑战性的户外数据集上表现优于现有技术。

Jul, 2019

基于学习的方法，使用生成式查询网络（GQNs）与新颖的注意力机制，无需建立显式的点云或体素地图，实现对 Minecraft 中的 3D 场景进行视觉定位任务。

Jul, 2018

该研究提出了一种基于深度学习的新框架，用于解决数百万点的大规模点云的语义分割挑战。该框架使用超级点图和图卷积网络等技术，取得了室内和户外 LiDAR 扫描分割方面的新成果。

Nov, 2017

本文提出了一种使用基于 Octree 的结构并采用神经网络处理隐式特征进行 LiDAR 测量的大规模三维重建方法，并利用二进制交叉熵损失来优化局部特征。在此基础上，设计出一种具有正则化性能的增量式映射系统，以解决连续学习中遗忘问题。实验结果显示，本方法相较其他先进技术具有更高的精确性、完成度和内存效率。

Oct, 2022

本文提出了一种通过利用视觉数据中的空间稀疏性进行模型加速的新方法，该方法基于所提出的动态令牌稀疏化框架，并通过自适应和不对称计算等方式推广到各种体系结构中，通过对不重要的特征使用轻量级快速路径和对更重要位置使用更具表现力的慢速路径，可以显著减少总体计算量，实验结果表明动态空间稀疏化为模型加速提供了新的更有效的解决方案。

Jul, 2022

研究使用 “符号距离函数” 结合 “稀疏体素块网格” 等算法实现室内场景的平面重建，相较于常规算法在训练与渲染速度上有数量级的提升，同时保持与现有方法相当的精度。

May, 2023

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

利用 GPS 信息收集了大量的地理轨迹信息，本文提出了高效的算法从中生成准确的地图，严格评估表明与现有工作相比，增加了 Biagioni f-score 并将执行时间减少了一个数量级，并开放源代码以便其他研究人员借鉴。

Feb, 2017