本文提出了一种轻量、统计鲁棒的框架，利用符合推理来提取视觉坐标自适应预测间隔的不确定性，勾画了生成深度神经网络、蒙特卡洛 Dropout、区间打分和校准损失等技术，从而改善不确定性感知学习对于决策领域的应用。

Mar, 2023

本文提出一种新的方法，通过像素层面的局部信息和邻域像素的本地信息传递，实现对帧间旋转估计的估算，从而产生高级、有信息的线索，而不是原始像素读数。

Jun, 2024

本文使用密集预测变换器模型进行尺度估计，解决单目视觉测距系统中尺度漂移问题，通过深度图的准确估计，取得竞争性的最新成果。

Oct, 2022

PVO 是一种新型全景视觉里程计框架，它采用图像全景分割指导增强视觉里程计模块，并且通过迭代优化实现全景视觉里程计和视频全景分割的相互促进。实验证明，与现有方法相比，PVO 在视觉里程计和视频全景分割任务方面的性能更优。

Jul, 2022

本研究介绍了一种轻量级的不确定性估计器，通过将符合预测与深度学习回归器相结合，能够预测多模态（不相交）的不确定性界限。我们特别讨论了它在视觉里程计中的应用，该应用中环境特征，如飞行领域的对称性和模糊和遮挡下的传感器测量，可能导致多模态不确定性。我们的模拟结果显示，在我们的框架中，不确定性估计根据具有挑战性的操作条件自适应地调整每个样本，例如明显的噪声、有限的训练数据和有限的预测模型参数大小。我们还开发了一种推理框架，利用这些稳健的不确定性估计并结合基于光流的推理来提高预测准确性。因此，通过恰当地考虑数据驱动学习的预测不确定性，并通过基于规则的推理关闭其估计循环，我们的方法在所有这些具有挑战性的场景中始终优于传统的深度学习方法，通过减少预测误差 2-3 倍。

Sep, 2023

本文基于学习的多视角立体 (MVS) 方法，采用匹配不确定性估计，将像素级遮挡信息显式地推理和集成到 MVS 网络中，从而抑制像素遮挡对成本聚合的不利影响，提高了 Vis-MVSNet 算法在严重遮挡场景中的深度精度。在 DTU、BlendedMVS 和 Tanks and Temples 数据集上进行了广泛实验证明了所提出算法的有效性。

Aug, 2020

该论文提出了一种新的混合视觉里程计（VO）框架，利用仅姿态监督来平衡鲁棒性和对大量标注的需求，并采用自我监督的同态学习和随机基于补丁的显著点检测策略，提高系统在各种具有挑战性的环境中的泛化能力。该方法在标准数据集上具有竞争力的性能，并在极端和未知场景中表现出更高的鲁棒性和泛化能力，甚至超过基于密集光流监督的最先进方法。

Apr, 2024

本研究提出了一种新的、无需训练的定位质量预测方法和一种利用这些预测来偏置序列匹配过程的新方法，使综合系统在四个数据集和三种 VPR 技术中得到了性能上的提升。

Jul, 2023

本文提出了一种基于像素准确度的向量回归方法来精确估计单个 RGB 图像中物体的 6 自由度位姿，并使用 RANSAC 通过向量投票来有效地处理遮挡和截断问题，该方法的实验证明在 LINEMOD，Occlusion LINEMOD 和 YCB-Video 数据集上优于现有的方法，并且具有实时检测的高效性。

Dec, 2018

该论文提出了一种利用几何结构作为自我监督信号的无监督深度视觉里程计学习范例，并表明这种方法与监督学习方法在性能上的竞争力相当。

Apr, 2018