本文介绍了一种名为 LIMAP 的库，用于从多视角图像中稳健高效地创建 3D 线路图，该库通过重新审视线三角化的退化问题、精心制作的得分和跟踪构建以及利用线 / 点的结构先验知识来实现。在全面实验中，我们展示了 LIMAP 在 3D 线路图上显着优于现有方法，并且我们的稳健 3D 线路图也开辟了新的研究方向：视觉本地化和束调整。

Mar, 2023

文章提出了使用 Line-Transformers 来解决视觉几何问题，这种方法既能够处理变长的线条特征，又能够有效提取线条的几何属性，以提高特征匹配和对视觉定位的准确性。

Sep, 2021

本文提出了第一种单一深度神经网络同时进行线段检测和描述。通过自我监控训练，我们的方法不需要任何注释的线标签，并且可以推广到任何数据集。在多视图数据集及实际应用中，本方法相较以往的线条检测与描述算法拥有更高的稳定性和匹配度，是向学习特征点方法迈出的第一步。

Apr, 2021

基于线特征的 LiDAR 点云点云配准方法通过 EdgeConv 标记线特征，并使用共享编码器层来训练两个分割和描述头，该方法在无初始变换输入的情况下验证了自己的有效性，对于各种计算机视觉任务具有广泛的应用价值。

Aug, 2022

本文介绍了一种基于 Fast Point Transformer 的新型轻量级自我关注层的方法，用于对大型 3D 场景进行处理和提高计算效率，并应用于 3D 语义分割和 3D 检测，具有与基于体素的最佳方法相竞争的准确性和比 Point Transformer 更快的推理时间。

Dec, 2021

介绍了一种利用 2D-3D 线条几何的轻量级而准确的定位方法，通过全景视图来定位，避免了训练或手工制作视觉描述符，提取线条关系中的主导方向和非平行线条的交点等以表达独特而紧凑的空间上下文，其结果表示与传统视觉描述符方法相比，处理时间和内存上更加高效；验证了该方法在具有相似结构、领域转变或光照变化的挑战性场景中的定位效果；由于是完全几何的方法，无需进行庞大的参数调整或神经网络训练，因此具有实际应用价值，可以直接部署在实际世界中。

Mar, 2024

本文提出了一种基于 transformer 架构的特征融合网络，以解决 3D 目标跟踪中的关键问题。该网络利用自注意机制捕捉点云中不同区域之间的相互关系，并使用交叉注意力将目标提示信息融入特征中，从而提高相似度计算的效率。在 KITTI 数据集上的实验结果表明，该方法取得了最新的最佳表现。

Oct, 2021

本文提出了一种基于点线特征的立体视觉里程计（StereoVO）技术，并使用一种基于注意力图神经网络的新型特征匹配机制，在恶劣的天气条件（如雾、霾、雨和雪）和动态光照条件（如夜间照明和眩光场景）下表现出色，通过稳健的点线匹配在低能见度天气和光照条件下完成立体视觉里程计。实验证明，与先进的线特征匹配算法相比，我们的方法能够获得更多的线特征匹配，而与点特征匹配相结合，在恶劣的天气和动态光照条件下表现一致优秀。

Aug, 2023

本文提出了一种使用基于 Octree 的结构并采用神经网络处理隐式特征进行 LiDAR 测量的大规模三维重建方法，并利用二进制交叉熵损失来优化局部特征。在此基础上，设计出一种具有正则化性能的增量式映射系统，以解决连续学习中遗忘问题。实验结果显示，本方法相较其他先进技术具有更高的精确性、完成度和内存效率。

Oct, 2022

该研究提出一种新的方法，使用基于 3D 点云的局部扫描来完成物体和场景的自动化补全，并通过使用特定的编码器 - 解码器结构以及三个特殊开发的新型层来实现。该方法在对象和室内场景自动补全任务中表现出优异的性能，并提高了技术水平。

Mar, 2022