该研究通过改进基于特征的 VSLAM 算法，提出了一种好的特征匹配方法，通过确定性选择和随机加速的组合减少了算法的延迟，并在多个基准测试和计算硬件上进行了全面的评估，保留了准确性和稳健性。

Jan, 2020

该论文提出了一种结合全局 SfM 方法的新型单目 SLAM 方法，使用新颖的秩 1 矩阵分解技术解决了视觉里程计问题，并采用多阶段线性公式和 L1 优化进行姿势图优化，生成了更为稳健的重建结果，比最新的 SLAM 系统快 4 倍，并在 Vicon 运动捕捉房间记录的新数据集上与之前的系统和已有基准数据集进行了比较。

Aug, 2017

我们提出了一种实时方法，用于从嘈杂数据中稳健地估计多个几何模型实例。

Jan, 2024

基于多层细粒度匹配策略，本文提出了一种名为 KTGP-ORB 的新型特征匹配方法，通过利用特征描述符在汉明空间中的局部外观相似性来建立初始对应关系，结合局部图像运动平滑性约束，使用 GMS 算法增强初始匹配的准确性，并最终采用 PROSAC 算法优化匹配，基于欧几里得空间中的全局灰度信息实现精确匹配。实验结果表明，在具有光照变化和模糊的复杂场景中，KTGP-ORB 方法相比 ORB 算法平均减小了 29.92% 的误差。

Feb, 2024

本文提出了一种强大的估计器，可用于拟合相同形式的多个参数模型以测量噪声。该方法基于数据学习搜索策略，利用先前检测到的模型进行神经网络传递学习，并指导 RANSAC 估计器以不同的子集找到模型实例。作者为消失点估计贡献了新数据集，该方法在消失点估计方面表现优异，并在多透视图下表现出优越性能。

Jan, 2020

提出了一种能以恒定时间（与数据大小无关）评估 RANSAC 假设的方法，通过 Random Grids 的寻找相似假设对的方式，大大提高了 RANSAC 流程的效率且不影响准确性，成功应用于相机定位、3D 刚体对齐和 2D 透视矩阵估计等问题。

Feb, 2018

评估最近算法在图像匹配及极线几何评估中的表现，并利用它们设计出更实用的注册系统，扩大计算机视觉任务的应用，通过四个大型数据集的实验，提出了三种高质量的匹配系统和粗 - 细 RANSAC 评估器，具有潜在的应用前景。

Aug, 2019

通过在多个尺度上迭代地探索几何相似性，并使用一种额外的不确定性估计模块进行稀疏化，我们提出了一种名为 RGM（Robust Generalist Matching）的深度模型，用于稀疏和密集匹配。通过生成具有较大间隔的光流监督，我们构建了一个包含稀疏对应关系真值的新的大规模数据集，从而缩小了合成训练样本和真实场景之间的差距。通过在大型混合数据上以两阶段方式学习匹配和不确定性估计，我们显著提高了我们所提出的 RGM 模型的泛化能力。在多个数据集上实现了零样本匹配和下游几何估计的卓越性能，优于先前的方法很多。

Oct, 2023

本论文提出了一种基于深度相机和惯性传感器的微型机器人系统的新型密集 SLAM 的框架，使用非迭代的 Fourier 变换来减少计算需求，通过解耦 6 自由度数据和进行独立空间点云匹配，实现分类键帧训练以及数据关联，相较现有方法，其速度更快，分辨率更高，但精度相当。

Jan, 2017

本研究介绍了一种名为 Graph-Cut RANSAC 的鲁棒性估计新方法，通过在局部优化（LO）步骤中运行图割算法，以区分内点和外点，该方法是概念简单、易于实现、全局最优和高效的。实验结果表明，Graph-Cut RANSAC 在线拟合，单应性，仿射变换，基础和本质矩阵评估等多种问题上几何精度比现有技术更高。

Jun, 2017