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

介绍了一种利用 2D-3D 线条几何的轻量级而准确的定位方法，通过全景视图来定位，避免了训练或手工制作视觉描述符，提取线条关系中的主导方向和非平行线条的交点等以表达独特而紧凑的空间上下文，其结果表示与传统视觉描述符方法相比，处理时间和内存上更加高效；验证了该方法在具有相似结构、领域转变或光照变化的挑战性场景中的定位效果；由于是完全几何的方法，无需进行庞大的参数调整或神经网络训练，因此具有实际应用价值，可以直接部署在实际世界中。

Mar, 2024

本文提出了一种基于 2D-3D 线对应的高效单目相机在先前 LiDAR 地图中的定位方法，并使用位姿预测和离群值排除来优化相机位姿和 2D-3D 对应关系的投影误差，实验结果表明该方法可以在结构化环境中高效地估计相机位姿。

Apr, 2020

本文提出了一种鲁棒性高、效率高的视觉 SLAM 系统，利用异构的点和线特征，并首次将正交表示作为线特征的最小参数化模型，并解析地推导了关于线参数的投影误差的雅克比矩阵，实验证明该方法在各种情况下都优于现有技术。

Nov, 2017

该研究提出了一种使用可见性信息从 3D 线段中提取平面，并在此基础上进行完整的分块平面重建的方法，以支持在缺乏纹理的情况下进行室内场景的 3D 重建。通过 RANSAC 方法提取线段形状以支持多种形状，进而实现了对稀疏输入数据、噪声和异常值的鲁棒性。

Nov, 2019

提出了一种基于 2D 和 3D SLAM 网络结合的实时语义地图方法，通过重新投影及渲染后进行特征融合，以及一种利用表面法线的几何分割方法来整合 3D 语义元素，并使用新型的神经网络进行轻量级的语义地图后处理，实现了在不同深度感应器方面的性能表现和交叉传感器通用性方面的优化。

Jun, 2023

该研究通过一种新型网络架构 3D-LaneNet 直接从单张图像中预测道路场景中 3D 车道的布局，并展示了在合成和真实数据集上的表现，其对车道合并和拆分等复杂情况的处理也更加明确，较以往方法有竞争力。

Nov, 2018

在本文中，我们提出了一种基于旋转 - 平移解耦估计的新型三视图位姿求解器，该方法通过考虑观测的不确定性并使用 Levenberg-Marquardt（LM）算法高效求解旋转估计，以及通过精心设计的稳健线性平移约束，来准确估计旋转和平移，实验结果表明该方法相较于基于三基数张量的经典方法和最先进的双视图算法，在室内外环境中提高了旋转和平移的准确性。

Mar, 2024

本文提出了一种将已知场景的 Structure-from-Motion point cloud 转换成不易理解的 3D lines 的 'line cloud' 表示法，以保护用户生成内容的隐私，同时探讨了从这种表示法中恢复图像信息的方法，并通过实验证明了它的可行性。

Mar, 2021

PLVS 是一个实时系统，利用稀疏 SLAM、体积建图和三维无监督增量分割，在支持 RGB-D 和立体相机的基础上，通过提取和跟踪稀疏点和线段作为特征，实现 SLAM 模块、体积建图和增量分割的集成。

Sep, 2023