本文提出一种基于 DSM 和 CNN 的相机场景无关的定位方法，可应用于大范围场景，能够在时间领域实现额外的性能提升，大大优于 SANet 等现有方法。

Mar, 2021

本文提出了一种基于结构和图像的语义匹配方法，能够在诸如季节、亮度、天气和昼夜变化等多种条件下实现准确和稳健的视觉定位，实验证明该方法相较于现有技术有显著的提升。

Apr, 2019

我们提出了一种新颖的功能点匹配方法，适用于长期场景下的在户外进行稳健准确的视觉定位。我们在已注册的参考图像数据库中，使用最近的检索技术将查询图像进行匹配，通过这个得出第一个相机位姿的估计。然后，我们在查询图像和检索出来的参考图像之间匹配 2D 特征点以优化位姿估计。与以前的方法不同的是，我们只需在检索出来的参考图像中稀疏提取特征点，然后用 Sparse-to-Dense Hypercolumn Matching 方法进行快速、稳健的匹配，最终估计相机位姿。我们的实验表明，这种方法在多个具有挑战性的户外数据集上表现优于现有技术。

Jul, 2019

本文提出了一种新型实用的学习机制，利用三维全卷积网络，旨在稠密地预测每个三维点的检测分数和描述特征，并通过自监督的检测器损失，在训练过程中指导即兴的特征匹配结果。最后，我们的方法在 3DMatch 和 KITTI 数据集的室内和室外场景中，均取得了最先进的结果，并在 ETH 数据集上展现了其强大的概括能力，为实现准确快速的点云对其，提出了一种可靠的特征检测器。

Mar, 2020

本研究钻研的半监督三维物体检测问题，在考虑到在杂乱的三维室内场景中进行标注所需要的成本极高的情况下，我们采用了自学习的强健和原则性框架，提供了第一种半监督三维检测算法，该算法单阶段运作并允许稠密的训练信号，解决了多阶段流水线以及离散化 quantization 误差等问题。

Apr, 2023

本文研究了室内大规模定位中基于景深匹配和虚拟视图合成的视觉方法，通过收集新的大规模数据集进行实验，证明了该方法在 6DoF 姿态预测方面明显优于现有方法。

Mar, 2018

本文提出了一种使用深度密集局部特征匹配和车辆检测器相结合的视觉定位框架，以消除车辆造成的虚假匹配，实现对室内停车场的定位，并在基准数据集上取得了 86.9% 的准确率，表现优于现有方法。

May, 2022

本文提出了一种基于图像的定位方法，使用本地特征和稀疏的三维模型进行全球规模的离线和在线实时客户端姿态融合，实现低延迟本地化查询，证明了该方法在大规模模型上的有效性。

Jun, 2019

本论文提出了一种实用的建立图像间稠密一一对应的方法，利用像素的上下文信息估计本地尺度，并使用三种方法在整个图像中保持比例不变特征提取，有效地解决了局部尺度不同的问题，实现了不同图像之间的准确的稠密对应，且计算成本较小。

Jun, 2014

本论文将最新的深度学习方法与基于视频流的半稠密 SLAM 相结合，在室内 / 室外数据集中得到了更好的 2D 语义标签识别，无需针对序列中的每一帧获得语义分割，其时间复杂度也得以合理控制。

Nov, 2016