该研究提出了一种新颖的数据驱动方法，通过测距侧扫声呐图像和稀疏深度信息，结合全卷积网络和神经网络，用于高分辨率测绘海底地形图。

Jun, 2022

使用分析与合成优化的方法来实现一种基于神经渲染的合成孔径声纳（SAS）成像，其具有物理约束和场景先验的能力，经过实验验证，表现通常优于现有的方法。

Jun, 2023

通过使用学习到的特征进行声纳图像对应关系，本文针对水下 SLAM 中的数据关联问题提出了一种新颖的方法。我们介绍了 SONIC（SONar Image Correspondence），一个通过姿态监督的网络，旨在生成能够抵御视角变化的强大特征对应关系。该方法在为声纳图像生成对应关系方面表现出显著的优异性能，为更准确的闭环约束和基于声纳的地点识别铺平了道路。为促进该领域的进一步发展，我们将提供代码以及模拟和真实世界的数据集。

Oct, 2023

自主导航与水下环境中的挑战，主要包括光吸收和水浑浊度等因素，传统视觉算法对声纳生成的声学图像的应用效果较差，而卷积神经网络通常需要大量的标记训练数据，这些数据通常难以获取。因此，我们提出了一种新型的紧凑型深度声纳描述符管道，它能够在仅仅用于合成数据的情况下推广到真实场景，并通过标准的临时规范化 / 预滤波技术提升输入声纳数据的质量。同时，我们还介绍了自定义的合成数据生成过程。通过对合成和公开可用的真实数据的广泛评估，证明了我们提出的方法相较于最先进的方法更加有效。

Aug, 2023

使用深度学习的反向模型，结合侧扫声呐测量的表面法线及高度计读数的约束，重建一个高品质的海底地形图。

Jun, 2022

通过结合海洋数据科学、深海探索、自主水下载具、水下成像和机器人三维重建等技术的最新发展，我们提出了一个系统，可在海底面积达公顷级的范围内进行自动化的机器人三维重建。该系统经过多次研究航行的测试和评估，展示了在真实条件下的稳定性和实用性。

Aug, 2023

使用合成孔径声纳（SAS）图像和光学图像相结合的多模态组合来区分人工目标和岩石等对象，提出了一种创新的分类算法，可以解决两种模态之间强度和对象形成差异的问题，并使用一组新的几何形状描述符来获取影子和高光之间的几何关系，通过对 7,052 对 SAS 和光学图像的实验结果表明其在不同类型的水下目标区分方面相对于现有技术有更好的分类性能，并分享我们的数据库以实现可重复性。

Apr, 2023

该研究提出了一个新的 RGB-Sonar 跟踪任务，并研究如何通过 RGB 和声纳模态的相互作用来实现高效的水下目标跟踪。实验结果表明，提出的空间交叉注意力有效地实现了 RGB 和声纳模态之间的交互，而 SCANet 在提出的基准测试中取得了最先进的性能。

Jun, 2024

本文提出了一种针对自主水下载具 (AUV) 的实时稠密三维重建方法，该方法使用了一个鲁棒的 VIO 方法 SVIn2 和一个实时三维重建管道。该管道在四个具有挑战性的水下数据集上获得了可比拟 COLMAP 的重建结果，并在单 CPU 上获得了高帧率。

Apr, 2023

在此研究中，我们提出了一种针对海底人造资产稀疏环境设计的自主水下航行器的新型实时声纳全球定位算法。通过利用两种数据解释前端，并在同一声纳数据流中合并这些观测结果，我们的方法在粒子滤波器内加权高概率区域的粒子或解决对称模糊。在模拟环境中进行了初步实验，结果显示出良好的前景。这项工作为将来的方法发展和在实际情况下的全面评估奠定了基础。

May, 2024