该论文描述了如何支持应用专家在选择和配置适当的算法和适当的硬件编译路径，在 SLAM（同时定位和制图）应用中实现算法交付的工具和方法，包括系统定量评估 SLAM 算法的工具和方法，自动化的机器学习指导算法和实现设计空间的探索，以及用于优化异构、加速架构的端到端模拟工具。

Aug, 2018

DurLAR 是一个高保真度的 128 通道 3D LiDAR 数据集，具有全景环境（近红外）和反射率图像，用于自动驾驶应用的深度估计的样本基准任务，提供了超过以前的基准的分辨率，在 DurLAR 中，通过使用高分辨率但稀疏的真场景深度信息，我们提出了一种新的联合监督 / 自监督损失函数。我们在 DurLAR 数据集、KITTI 基准和 Cityscapes 数据集上进行性能比较，评估结果显示，在 DurLAR 中使用联合监督和自监督损失项，通过优越的真实分辨率和可用性，提高了领先的当代单目深度估计方法的定量和定性性能（RMSE = 3.639，Sq Rel = 0.936）。

Jun, 2024

本文对移动增强现实中的度量深度估计进行了研究，探讨了硬件、数据和模型相关的挑战，并提出了利用移动设备相机和其他可用传感器的更多硬件相关信息、捕捉高质量数据以反映真实世界增强现实场景，以及设计模型架构来利用新信息等有希望的未来方向。

Oct, 2023

本篇论文提出了一种数字孪生基于的 3D 地图管理方案，利用模型驱动增强学习算法对摄像头逐帧预测和上传，以解决动态环境中边缘增强现实设备姿态估计不确定性和数据不足的问题。模拟结果表明，该方案可以在动态环境中实现更低的姿态估计不确定性和更高的数据效率。

May, 2023

本文介绍了一种基于移动设备的增强现实应用程序中的运动跟踪系统，该系统可以在无需标定的情况下进行稳健的平面目标跟踪和相对比例 6DoF 跟踪，该系统已在数亿个设备上部署，并应用于多个主要产品中。

Jul, 2019

本文提出 Real-Aug，一种基于综合数据生成的数据增强方法，重视生成真实的 LiDAR 扫描，以及系统地验证其对各种探测器和数据集的有效性。

May, 2023

通过建立大规模标准数据集，我们希望能够为 AI 增强的制图应用提供有用的资源，包括地图文本注释识别、地图场景分类、地图超分辨率重建和地图风格转换等任务，以推动深度学习方法在复杂地图内容识别、模式识别和内容检索方面的最新技术发展。

Dec, 2023

通过将绝对位置回归器与本地视觉惯导测量结合，MobileARLoc 框架在设备上实现了大规模的无标记移动增强现实，并且在减小定位误差和降低惯导漂移方面取得了显著结果。

Jan, 2024

该研究提出了一个基于 C ++ 的开源、面向研究的视觉惯性映射框架，名为 maplab，它具有多个关键功能，例如处理和操作多次会话映射、可视惯性优化和回路闭合等。该系统综合了最先进的算法，提供了可伸缩的多次会话映射工具、灵活的用户界面，并在公共数据集上得到了验证。

Nov, 2017

本篇论文提供了一个适用于现代移动设备的高效照明估计流程，称为 PointAR。该方法基于点云，可用于支持空间变异的室内照明，具有与移动特定 DNN 相当的资源复杂度。PointAR 具有比现有方法更低的光照估计误差。

Mar, 2020