提出了一种新的直接稀疏视觉里程计公式，将全直接概率模型（最小化光度误差）与所有模型参数（包括几何结构-在参考帧中表示为反深度-和相机运动）的一致联合优化相结合。

Jul, 2016

提出了一个包含50个具有独特多样性的现实中场景的数据集，用于评估单目视觉里程计和SLAM方法的跟踪精度，并在此基础上提出了一个相机光度校准的简单方法以及一种非参数化暗角校准方法，该研究详细评估了两种现有方法（ORB-SLAM和DSO）在该数据集上的效果。

Jul, 2016

本文介绍了一种在直接稀疏视觉里结合使用视觉显著性和场景分析新方法，命名为SalientDSO，并通过CVL-UMD数据集进行了定量和定性比较，超越了DSO和ORB-SLAM这两种最先进的方法。这是首次使用视觉显著性和场景分析来驱动直接VO的特征选择。

Feb, 2018

CAPE是一种从有序点云中提取平面和圆柱体的方法，并在单个CPU内核上以平均每秒300赫兹的速度处理640x480深度图像。该方法与最先进的平面提取相比，具有更为一致的延迟，速度快4-10倍。同时，在用于视觉里程计中，使用CAPE提高了对由圆柱面构成的场景（例如隧道）的轨迹估计，而使用不具备曲线感知能力的平面提取方法，则会降低性能。

Mar, 2018

本研究提出VI-DSO，一种同时估计相机姿态和稀疏场景几何的视觉惯性测量新方法，通过最小化组合能量函数中的光度和IMU测量误差来进行优化，在EuRoC数据集上得到了比现有技术更好的效果。

Apr, 2018

本研究提出了一种通过非线性因子恢复和捆绑调整的方法从视觉惯性测距（VIO）中提取有用信息，以实现全局一致的建图和提高准确性。在公共基准测试中，我们证明了该方法优于现有技术。

Apr, 2019

本文提出一种利用相机运动和视觉惯性测距系统估算的稀疏深度来推断密集深度的方法，采用预测性跨模态标准，通过构建场景的分段平面脚手架来推断密集深度，并在KITTI深度完成基准上表现出最先进的性能。

May, 2019

本文提出一种直接的视觉惯性里程计方法（VIO），该方法基于来自快门滚动摄像机和惯性测量单元（IMU）的测量，估计传感器设置的运动和环境的稀疏3D几何图形，并结合光度束调整，估计一组最近的关键帧姿势和稀疏点的反深度，同时利用IMU信息，基于滚动快门效应对速度和偏差进行校准。在公开数据集上进行的实验说明，与不考虑滚动快门的系统相比，所提出的方法表现更好，并在全局快门数据上实现了与全局快门方法类似的准确度。

Nov, 2019

本文使用Canny-VO作为RGBD视觉里程计系统，并将它应用于自由曲线注册的经典问题。针对边缘注册中常用距离变换的两种替代方法提出了Approximate Nearest Neighbour Fields和Oriented Nearest Neighbour Fields。为了保证系统在异常值和噪声存在的情况下的鲁棒性，注册问题被形式化为最大后验概率问题，并通过迭代重新加权最小二乘法来解决。最后在公共SLAM基准序列上进行了广泛评估，证明了该系统具有最先进的性能和优于欧几里德距离场的特点。

Dec, 2020

本文提出了一种基于外部估计的光流场而不是手工特征对应的密集间接视觉里程计方法，将其定义为概率模型，并开发了一种广义EM公式用于联合推断相机运动、像素深度和运动跟踪置信度。通过自适应的对数-对数逻辑分布模型对我们的推理框架进行监督，充分考虑残差模型的不确定性。此外，对数-对数逻辑残差模型很好地推广了不同的光流方法，使我们的方法模块化和不可知光流估计器的选择。我们的实现在TUM RGB-D和KITTI里程碑测试中均取得了排名前列的结果，其GPU友好，具有线性计算和存储增长。

Apr, 2021