AIR-HLoc：面向高效视觉定位的自适应图像检索
该研究论文研究了视觉定位中图像检索方法对定位性能的影响，并提出了专为定位场景设计的检索方法的需求。通过引入基准测试和多种 “地面真实性” 定义以及针对经典地标检索或地点识别任务的检索效能的分析，探讨了这种影响。
May, 2022
本研究提出了一种多分支检索方法，通过组合全局描述符和局部描述符来应对大规模数据以及图像复制攻击的挑战，其中包括丰富的数据增强和自监督学习等优化策略，并引入了鲁棒性较强的 SIFT 特征和 GPU Faiss 进行局部检索，在使用 KNN 匹配算法来判断匹配和合并分数时，我们展示了一些我们方法的消融实验，揭示了全局和局部特征的互补优势。
Dec, 2021
本文提出了一种简单而有效的基于物体的室内重定位方法，称为 AirLoc。通过提取物体外观嵌入和物体间的几何关系来解决物体重新识别和记忆物体关系的关键挑战，并将几何和外观特征相结合生成累积场景特征，从而实现了强大、准确、便携的室内重定位系统，并在室内重定位的 PR-AUC 和准确性方面优于现有方法 9.5% 和 7%。
Apr, 2023
我们提出了一种端到端的框架，通过逐层搜索相应关系来解决高分辨率图像上的实时立体匹配问题，利用所提出的数据集进行训练和评估并在速度上超过竞争对手 ，能够在低延迟（30 毫秒）内准确预测近距离结构的视差，所提出的层次结构设计可以灵活地平衡性能与速度，用于自动驾驶等时间关键的应用。
Dec, 2019
本文提出了一种车载摄像机定位的解决方案，通过神经网络和几何投影模型实现从地面图像匹配到高空卫星地图上，并把匹配问题转化为姿态估计问题来提高定位精度。
Apr, 2022
本文提出了一种新的哈希相似匹配方案 —— 局部优化哈希（LOH），该方案是基于一种最先进的量化算法的。LOH 可用于高效的大规模搜索、推荐、聚类和去重。我们进一步展示了 LOH 的应用：a）大规模搜索任务中，性能与其他最先进的哈希方式相当；b）大规模推荐中，可使用由数千幅图像组成的查询，从数亿图像的集合中生成准确的推荐；c）利用基于图形的算法进行高效聚类，该算法可在分布式环境中扩展到海量收藏品，或用于小集合的去重，如搜索结果，其性能优于传统哈希方案，仅需几毫秒运行。在本文中，我们在最多 1 亿张图片的数据集上进行实验，但实际上我们的系统可以扩展到更大的收藏品，并可用于在欧几里得空间中具有向量表示的其他类型的数据。
Apr, 2016
本研究提出了一种新颖的方法，利用图像检索技术高效解决航天员摄影图像的地理位置定位问题，通过引入创新的训练技术，包括年度数据增强和一种中性感知多相似性损失，研发了高性能模型 EarthLoc，并通过与现有方法的全面基准测试，展示了其卓越的效率和准确性，该方法将填补地球观测数据中一个重要的空白。
Mar, 2024
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