我们提出了一种新的测试时间优化方法，用于从视频序列中估计密集和长程运动。该方法使用全局一致的运动表示法，并在局部和规范空间之间使用双向对应实现像素级跟踪，能够确保全局一致性，跟踪通过遮挡的像素，并模拟相机和物体运动的任意组合。

Jun, 2023

引入基于深度学习的运动建模网络（DMM-Net）估算多个物体的运动参数，可用于联合检测和关联，以解决现有方法中深度模型过于依赖检测器、评估结果受检测器影响的问题。通过运用 DMM-Net 构建的 Omni-MOT 数据集，消除了检测器对多目标跟踪性能评估的影响，该方法取得了比传统方法更好的性能，速度更快。

Aug, 2020

本文主要探究利用神经网络从无标注视频中学习单帧 3D 几何和连续帧光流，并将二者并行处理整合得到更好的结果，通过综合实验结果表明该方法优于其他方法。

Oct, 2018

COMO 系统是一个实时单目建图和里程计系统，通过一组三维锚点来编码密集几何信息，通过锚点投影解码密集几何，保证深度图在可见锚点处完整连接，该表示允许相机位姿和密集几何的联合优化，实现内在的三维一致性和高效的二阶推断，并引入一个前端来跟踪和初始化可能在帧间视觉上无法区分的三维点，整体上，提出了一个能够估计准确位姿和一致几何的实时系统。

Apr, 2024

提出了一种新的直接稀疏视觉里程计公式，将全直接概率模型（最小化光度误差）与所有模型参数（包括几何结构 - 在参考帧中表示为反深度 - 和相机运动）的一致联合优化相结合。

Jul, 2016

这篇论文提出了一种名为 BiTrack 的 3D 离线多目标跟踪框架，它包括 2D-3D 检测融合、初始轨迹生成和双向轨迹重新优化模块，以实现从相机 - LiDAR 数据中获得最佳的跟踪结果。实验结果表明，BiTrack 在准确性和效率方面取得了 3D 离线多目标跟踪任务的最新成果。

Jun, 2024

本文提出一种深度神经网络模型，可以在利用 3D 传感器获取的数据的基础上联合推理 3D 检测、跟踪和运动预测，该方法在鸟瞰图表示的 3D 世界上执行时空 3D 卷积，具有高效的特点，并在多个北美城市捕获的超大规模数据集上进行实验，结果显示该方法在性能上大幅领先于现有技术，而且多项任务仅需要 30 毫秒即可完成。

Dec, 2020

该研究提出了一种用于实时追踪刚体三维物体 6 自由度位姿的算法，采用单目 RGB 相机，利用一种基于区域的代价函数，并通过 Gauss-Newton 优化得到高度准确和鲁棒的跟踪性能，特别是在有杂乱背景，异质对象和局部遮挡的情况下，该算法表现出色。

Jul, 2018

本研究提出了一种结合点和边的视觉里程计算法，利用概率框架同时最小化光度误差和匹配边缘的几何误差来恢复相机位姿，并在纹理稀疏的环境中表现出比现有单目里程表算法更好的性能。在多个公开数据集上，本算法实现了与最先进的单目里程表方法相媲美的性能。

Mar, 2017

本文介绍了 DOT，一种新颖、简单且高效的方法，用于解决点追踪中存在的遮挡问题，并且通过最近邻插值计算粗糙的初始估计密集流场和可见性掩码，然后利用可学习的光流估计器对其进行精细化处理。实验证明 DOT 相较于当前的光流技术更加准确，在速度方面至少快两个数量级。

Dec, 2023