本篇研究提出了一种相机重新定位的方法，它通过绝对姿态回归和直接特征匹配相结合，并加入曝光自适应的新视角合成，成功地解决了现有基于光度的方法无法处理的室外环境中的光度变形问题。

Apr, 2022

相对于已知环境，姿态回归网络通过预测查询图像的相机姿态。我们提出了一种新的姿态回归方法，地图相对姿态回归（marepo），通过使用场景特定的地图表示，将姿态回归器的预测相对于场景地图。我们的方法在室内和室外两个公共数据集上远远优于之前的姿态回归方法。

Apr, 2024

引入了一种新颖的神经体姿态特征 ——PoseMap，旨在通过囊括图像之间和相关摄像机姿态之间的信息增强摄像机定位能力。该框架利用了绝对姿态回归（APR）架构和增强的 NeRF 模块，不仅有助于生成丰富的训练数据集来丰富训练，在线自监督对齐的扩展还能允许该方法在无标签图像上使用和微调。实验证明，我们的方法在室内和室外基准场景上平均性能分别提高了 14.28% 和 20.51%，超过了现有的具有最先进精度的 APR 方法。

Mar, 2024

KS-APR 是一种用于 Markerless Mobile Augmented Reality 的 pipeline，通过结合 APR 的推断结果和训练集中的先验图像来评估估计位姿的可靠性，从而提高可靠性和准确性，适用于不需要一次性决策的视觉定位任务。

Aug, 2023

通过稀疏特征描述符基于深度学习神经网络架构设计实现图像绝对姿态估计问题，取得了 state-of-the-art 的性能表现，同时使用这种方式的优势可以提高模型的效率和扩展性以及泛化性能。

Dec, 2017

本研究提出了一种新的框架，涉及到两个预测模型之间的概率融合，旨在利用它们的互补优点进行可学习的融合， 并使用自我注意图神经网络来驱动学习，通过显式地指导几何不确定性学习 DNN 的不确定性，从而学习相对于 DNN 预测的几何解决方案。该方法达到了 DeMoN 和 ScanNet 数据集上最先进的性能表现。

Apr, 2021

本研究提出了一种基于姿态回归网络和图神经网络相结合的视觉重新定位方法，可在没有内参信息的情况下达到与绝对姿态回归网络相当的准确性，同时保持相对姿态回归模型的高测试速度和对非训练场景的适用性。

Apr, 2021

提出了一种使用深度学习技术的长期机器人导航方法 ViPR，通过结合绝对位姿估计和相对位姿估计，利用时序信息和模块化的设计，并在已知数据集和工业数据集上取得了较好的效果。

Dec, 2019

本研究旨在解决场景中精确的相机姿态估计的视觉定位问题，传统方法使用 3D 几何学，而新近出现的卷积神经网络则直接从输入图像中学习相机姿态，但是并未达到 3D 方法的精度。本论文提出了一种理论模型来预测 pose regression 技术的失败案例，并证实了我们的预测。作者进一步表明，pose regression 与图像检索非常相似，而不是与 3D 结构的准确姿态估计。最重要的是，当前方法并不能持续超越手工图像检索基线，因此需要进一步的研究。

Mar, 2019

相机位姿估计的方法可以通过找到对应关系和解决基础矩阵的方式在大多数情况下提供高精度，而使用神经网络直接预测姿态的方法对于有限重叠的情况更加鲁棒，并能够推断出绝对平移尺度，但精度较低。我们展示了如何结合这两种方法的优点；我们的方法能够同时提供精确和稳健的结果，并准确推断出平移尺度。我们模型的核心是一个 Transformer，它通过学习平衡已解决和学习的姿态估计，并提供一个先验信息来指导求解器。全面的分析支持了我们的设计选择，并证明了我们的方法能够灵活适应各种特征提取器和对应估计器，在 Matterport3D、InteriorNet、StreetLearn 和 Map-free Relocalization 上展现了最先进的 6 自由度姿态估计性能。

Mar, 2024