该研究提出了一种基于特殊正交群上的同步问题，该问题包括从它们成对比率的噪声测量中估计一组未知的旋转。它的最小二乘解可以通过谱松弛或半定规划来近似，其具有类似于 Max-Cut 的近似算法。该研究通过提出偏差平方和的罚函数来弱化其次方项，并引出了一种求解该问题的凸优化方法，同时在特定噪声模型下，证明了其稳定性并得到了相位转变行为的模拟结果。
Nov, 2012
本文提出一种采用局部和全局旋转平均法的混合方法，结合快速的视图图滤波预处理，解决 3D 重建中的精度和准确性问题，并将此方法应用于增量式运动结构，从而将此方法的实用性提高到很高的程度，实验表明，此方法可以有效地纠正糟糕的相机姿态和减小漂移。
Jan, 2021
该研究提出了一种基于神经网络的方法，将传统图像定位模型的迭代优化方法替换为两个网络之间的组合，该组合由视图图形清理网络和微调网络组成。
Dec, 2019
提供了一个 Riemannian 流形上同步估计的框架，适用于任意 n 的各种噪声模型，并推导了同步的 Cramér-Rao 下限。
通过最大似然估计的方法，本文针对旋转平均问题提出了一种新的原始 - 对偶方法，以解决在计算机视觉和摄像机网络标定中使用的非凸高维优化问题，并在多个情境中对该方法进行了基准测试，通过对偶理论验证了解决方案的有效性和性能提升。
May, 2024
本文介绍了一种名为 IRAv4 的增量旋转平均方法，其中使用了特定任务的连接支配集作为旋转全局对齐的可靠参考，并提出了一种基于 COLMAP 的旋转平均基准，将旋转和下游位置估计精度作为评估指标，与其他主流旋转平均方法进行了全面的比较。
Sep, 2023
提出了一种新的分层方法 HARA 来解决多次旋转平均问题，通过优先加入具有强大三元组支持的边逐步建立生成树，实现了离群值过滤以及在非线性优化前得到鲁棒的初步解，同时也可集成有效 2D-2D 对应关系，经过合成数据集和现实数据集的广泛评估，结果表明其技术处于最先进水平。
Nov, 2021
本文从最大似然估计的角度出发，提出了一种新的无需初始化的原始 - 对偶方法来解决旋转平均问题，同时，在循环图中得出了旋转平均的第一个闭合解，这一方法在精度和性能方面都有了显著的提升。
Sep, 2021
探讨了运动同步（平均）问题，提出了基于谱分解的简单闭式解决方案，可直接在刚体运动流形 SE (3) 上工作，实验结果表明其在精度和速度方面比现有方法都有所提高。
Jun, 2015
Shonan Rotation Averaging 是一种快速、简单和优雅的旋转平均算法，利用半定松弛来解决旋转平均问题实现全局最优解，可以解决大规模实例，并保持当前 SFM 方法的速度和可扩展性。
Aug, 2020