DeepAAT: 快速无人机遥感制图的深度自动空三
本文介绍了一种高效计算户外场景中高质量3D重建的视点和轨迹的新方法，利用搭载在自主导航四旋翼飞行器上的RGB摄像机采集图像，并利用分层的体积表示区分未知、自由和占据空间，利用信息增益来处理遮挡，避免障碍并规划无碰撞的飞行路径，以限制四旋翼的总飞行距离，获得了多项令人信服的3D重建结果，并证明了此方法的量化提升。
May, 2017
DeepDualMapper 是一个可深度融合高空影像和 GPS 轨迹数据以提取数字地图的卷积神经网络，通过门控融合模块和密集监督精细化解码器控制数据的信息流，可更有效地提取地图。
Feb, 2020
本研究提出了一个名为WHU的合成航空数据集，该数据集是首个大规模的多视角航空数据集，并介绍了一种名为RED-Net的新型神经网络，专门用于高精度的三维地球表面重建。通过实验，我们证实了该方法的性能和效率，在减少内存和计算成本的同时，使MAE提高了50％以上，并且比传统方法的一些最佳商业软件的效率提高了16倍。
Mar, 2020
本文采用深度学习技术，通过单张无人机图像，使用自监督单目深度估计（SMDE）模型，无需地面实测深度数据训练模型。并提出了一种新的架构，通过两个不同的神经网络实现从单张图像中学习深度和视角信息，最终将预测深度和姿态信息用于从视频中的多个角度重构图像，提高了图像重建质量。在公共UAVid视频数据集上的实验结果表明，我们的模型在深度估计方面表现优异且超过了同类模型。
Dec, 2020
本文提出了一种基于深度学习的无人机自适应路径规划算法，解决了无人机低空精细监测和高效数据采集的问题，并提出了一种新的深度学习精度模型，可以在不浪费能源的情况下获得高分辨率的语义分割图像。实验结果表明本方法可推广应用于不同领域。
Mar, 2022
对无人机应用中基于林冠和高速场景的最新地图算法进行全面评估和分析，以及对适用于无人机地图绘制的传感器技术进行全面探索和评估，通过模拟环境进行广泛实验来评估三种不同的地图算法，即直接稀疏视觉里程计（DSO），双目DSO（SDSO）和轻量级DSO（DSOL）的性能，并突出了这些算法的优劣势以及它们在现代无人机应用中的适用性。研究结果旨在为地图算法比较提供基准，并为选择针对特定无人机地图绘制应用定制传感器提供实际指导。
Jan, 2024
从LiDAR和图像直接生成地面实况视差图以产生大量且多样化的数据集，并通过LiDAR与图像间的配准细化方法来避免精度损失和处理遮挡，从而实现了在不同数据集中评估11种密集匹配方法，其中GANet在相同的训练和测试数据上表现最佳，而PSMNet在不同数据集上表现稳健，并提出了在有限数据集上进行训练的最佳策略。
Feb, 2024
使用光学传感器进行无人机的检测、跟踪和距离估计，通过深度学习框架、目标检测模块、跟踪模块和深度估计模块实现全自主飞行和高级空中流动的无人机。
May, 2024
本研究针对无人机领域中单目深度估计的挑战，提出了一种新的在线尺度恢复方法TanDepth，以获得度量深度结果。通过利用全球数字高程模型的稀疏测量，该方法能够在推理时处理相对估计结果，进而解决相对深度值与实际尺度之间的转换问题。研究表明，该方法在多种真实场景中表现优于现有的尺度调整方法，具有潜在的广泛应用价值。
Sep, 2024
本研究针对现有无人机地理定位技术缺乏大规模实用数据集的问题，提出GTA-UAV数据集，涵盖多个飞行高度、姿态、场景和目标。通过引入基于权重的对比学习方法，研究扩展了图像检索到实际的地理定位，有效提升了无人机在GPS受限环境下的定位能力。
Sep, 2024