本文基于帧间关联思想，应用自监督深度估计框架，引入生成对抗网络技术，构建了一个视觉里程计系统，实现了更加精准的深度估计以及超越同类方法的姿态估计。

Aug, 2019

本文提出了一种基于生成对抗网络的无监督学习框架，从未标记的 RGB 图像序列中预测场景的 6 自由度姿态相机运动和单目深度图，并在 KITTI 和 Cityscapes 数据集上给出了详细的定量和定性评估，结果表明该方法优于现有传统和无监督深度 VO 方法，提供更好的姿态估计和深度恢复结果。

Sep, 2018

本文提出了一种单目视觉里程计算法，它结合了基于几何方法和深度学习的思想，并利用两个卷积神经网络进行深度估计和光流估计。在 KITTI 数据集上的实验表明，该算法具有较强的鲁棒性和良好的性能。

Sep, 2019

本研究提出了一种新的基于卷积神经网络的多任务全局姿态矫正和里程计评估方法 VLocNet，该模型结构紧凑、可实现实时推断，并采用了一种新颖的辅助损失函数来利用相关位姿信息进行训练，在室内和户外数据集上的实验结果表明，该模型具有可与 SIFT 算法媲美、甚至优于其表现的定位精度。

Mar, 2018

本文提出了一种基于在线元学习算法的自监督 Visual Odometry（VO）方法，利用了卷积长短时记忆（convLSTM）和特征对齐技术，实现了 VO 网络的持续适应新环境和快速自我更新。实验证明，该方法在未见过的户外场景、虚拟到真实世界和室外到室内环境转换中都明显优于基于自监督学习的 VO 基线方法。

May, 2020

该研究提出了一种新的无监督网络系统用于视觉深度和自我运动估计：堆叠生成对抗网络 (SGANVO)。该系统由一堆 GAN 层组成，其中最底层估计深度和自我运动，而更高的层估计空间特征，并且由于在层之间使用了循环表示，可以捕捉时间动态。该方法在 KITTI 数据集上获得了更好或可比较的深度和自我运动估计结果。

Jun, 2019

本文介绍了一个全新的深度学习方法来进行单目 SLAM，通过使用学习视觉里程计（L-VO）和稠密 3D 映射的神经网络，该方法能够实现同时定位与建图。

Mar, 2018

自监督学习 VO 的一种特殊考虑一致性的方法，采用具有两层卷积 LSTM 模块的姿态网络对姿态预测中的长期依赖进行建模，通过自监督损失进行训练，包括模拟几何 VO 中的循环一致性丢失的循环一致性丢失，并通过引入一种损失使网络能够在训练期间超出小时间窗口。结果表明，在几个 VO 数据集中表现出竞争性结果，包括 KITTI 和 TUM RGB-D。

Jul, 2020

本文提出了一种新的、基于深度循环卷积神经网络（RCNNs）的单目 VO 的端到端框架，通过该框架，可以直接从一系列原始 RGB 图像（视频）中推断出姿态，同时具备学习有效特征表示、深度循环神经网络中的序列动力学和关系的功能，实验验证了该技术具备与传统 VO 系统相当的竞争力。

Sep, 2017

通过分析主要的失败案例并揭示优化过程的各种缺点，我们诊断了一种流行的学习型 SLAM 模型（DROID-SLAM）的关键弱点。然后，我们提出使用自监督先验，利用冻结的大规模预训练单眼深度估计初始化稠密捆绑调整过程，从而实现鲁棒的视觉里程计，无需对 SLAM 骨干进行微调。尽管方法简单，但在 KITTI 里程计和具有挑战性的 DDAD 基准上，我们的方法显示出显著的改进。代码和预训练模型将在发表后发布。

Jun, 2024