本文介绍了一种新颖的基于外观的循环闭合检测方法 iBoW-LCD，该方法利用了基于二进制描述符的增量词袋（BoW）方案来检索先前看到的相似图像，避免了通常需要经典词袋模型训练阶段。此外，为了检测循环闭合，iBoW-LCD 建立在动态群岛的概念上，它是一种将接近时间的相似图像分组的简单但有效的机制，从而降低了通常与贝叶斯框架相关的计算时间。我们的方法通过使用多个室内和室外公共数据集进行验证，在不同的环境条件下取得了高精度，并胜过其他最先进的方案。

Feb, 2018

通过使用特征提取和聚类技术，我们提出了一种新的黑盒逃避攻击框架，称为 Adversarial-LCD，用于攻击图形化的环路闭合检测系统。我们的实验结果表明，Adversarial-LCD 在攻击性能上优于其他机器学习代理算法，包括 SVM-linear、SVM-polynomial 和贝叶斯分类器，彰显了我们的攻击框架的有效性。此外，我们的特征扰动方法基于特征中心性在效果上优于其他算法，如随机游走和最短路径，突显了 Adversarial-LCD 的选择方法的高效性。

Dec, 2023

介绍了一种基于逐步创建的场景图的新型回路检测方法，针对室内场景的视觉 SLAM。它同时考虑了宏观视图拓扑、微观视图拓扑和语义实例的占用率来找到正确的对应关系。

May, 2023

RadarLCD 是一种使用 FMCW 雷达的监督深度学习管道，旨在解决环路闭合检测的挑战，通过利用预训练的 HERO 模型和选择 LCD 关键点，该方法在多个方面超越了当前的闭合环路检测系统。

Sep, 2023

本文提出了 Direct Sparse Odometry (DSO) 的扩展，用于具有循环闭合检测和位姿图优化（LDSO）的单目视觉 SLAM 系统，保留了 DSO 的健壮性，并通过优化来减少旋转、平移和尺度漂移的影响。

Aug, 2018

本文提出了一种基于 3D 场景图的物体级别数据关联方法来实现 SLAM 系统中的闭环检测，其中使用语义信息、交叉联合、物体颜色和物体嵌入等方法来进行对象级别的数据关联，最终得到全局一致且更加精确的 3D 语义地图。

Apr, 2023

本文介绍了 MG-SLAM，一种单目高斯 SLAM 系统，其特点是具有语义扩展的环路闭合模块，能够在进行漂移校正的同时实现高保真度的重建和对环境的高层次理解。该系统通过将全局地图表示为 3D 高斯，并将其用于指导场景几何估计，从而减轻缺失深度信息的工作量。此外，基于 CLIP 特征的语义扩展环路闭合模块可以持续进行全局优化，以纠正系统运行期间累积的漂移错误。我们的系统在多个具有挑战性的数据集上取得了令人期待的跟踪和建图结果，甚至超过了一些现有的 RGB-D 方法。

May, 2024

本文提出了一种基于人体行为启发的梯度诱导共同显著性检测方法，并通过共识表示法提取一致的图片信息使得 Co-SOD 网络可以在没有额外像素级注释的情况下在一般显著性数据集上训练。实验结果表明该方法在发现多种前景中的共同显著物体方面取得了最先进的性能表现，文中提供了代码和数据集。

Apr, 2020

本文提出了一种基于 Vision-Transformer 的语义蒸馏协助显著目标检测方法，通过融合从生成的图像字幕中语义蒸馏的知识，可以更好地揭示物体之间、物体与环境之间的显著性，并弥补了昂贵标注的主观性不足。在五个基准数据集上的综合实验表明，SDG-SOD 在四个评估指标上优于现有技术，并大大提高了 DUTS、ECSSD、DUT、HKU-IS 和 PASCAL-S 数据集上的模型性能。

Mar, 2022

DK-SLAM 是一种单目视觉 SLAM 系统，使用自适应深度特征进行特征提取和匹配，采用多项式约束进行位姿估计，使用基于二值特征的在线循环闭环模块来减少累积定位误差，并在公开数据集上展示了其高效性能。

Jan, 2024