该论文提出了一种从单个全景图像中恢复室内场景的三维布局恢复新方法，该方法结合几何推理和深度学习技术，从而提取结构角并生成房间的布局模型，并在 SUN360 和 Stanford 公共数据集上进行实验。

Jun, 2018

使用单个非中心全景图，通过几何推理从室内环境中恢复 3D 布局，利用深度学习提取结构线的边界并利用非中心投影系统的特性进行新的几何处理以恢复比例尺，解决了曼哈顿环境和亚特兰大环境的遮挡问题，改进了现有的单幅全景图的 3D 布局恢复方法，是第一个使用深度学习进行非中心全景图及其布局比例尺恢复的研究。

Feb, 2024

本文研究基于图像的地理定位问题，通过在地图上确定地面视角的查询图像。我们提出了一种新的方法，通过 2.5D 空间中的结构高度来引导跨视图匹配，并借助多模态数据学习代表性嵌入。我们构建了第一个大规模的地面到 2.5D 地图地理定位数据集来验证我们的方法，并在单图像定位和路径定位等任务上进行了广泛实验，结果表明我们的方法在定位精度和收敛速度上明显优于之前的基于 2D 地图的方法。

Aug, 2023

介绍了一种基于线段的快速定位算法 LDL，通过观察全景图像和 3D 地图中的线段分布来实现粗略姿态估计，并使用传统的局部特征匹配进行优化，具有鲁棒性和快速搜索的特点。

Aug, 2023

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

本文研究如何通过聚合图像组中各个图像的特征或构造更大的全景图从而实现全景图之间的匹配识别，有效地提高了基于多个查询视图的标准基准的地点识别性能。

Apr, 2017

本文介绍了 SPVLoc，一种全球室内定位方法，能够准确确定查询图像的六维（6D）相机姿态，无需过多的现场特定先验知识和训练，采用了一种新颖的匹配过程，在室内环境的一组全景语义布局表示中定位了透视相机的视口，这些全景图由未贴图的 3D 参考模型渲染而成，仅包含关于房间形状的大致结构信息以及门窗标注。通过一个直接的卷积网络结构，我们展示了成功实现了图像到全景图以及图像到模型的匹配。通过视口分类得分，我们对参考全景图进行排名并选择最佳匹配的查询图像。然后，我们估计所选全景图与查询图像之间的六维相对姿态。我们的实验表明，这种方法不仅有效地弥合了领域差距，而且对先前未见过的训练数据之外的场景具有很好的泛化性能。此外，它在定位准确度上也比现有方法更优越，并且能估计更多自由度的相机姿态。我们将在此 https URL 上公开发布我们的源代码。

Apr, 2024

本文提出了一种基于 2D-3D 线对应的高效单目相机在先前 LiDAR 地图中的定位方法，并使用位姿预测和离群值排除来优化相机位姿和 2D-3D 对应关系的投影误差，实验结果表明该方法可以在结构化环境中高效地估计相机位姿。

Apr, 2020

本文综述了基于单个、两个或多个以全景光学成像系统拍摄的图像的先驱和最先进的三维场景几何估计方法，包括基于全景数据的单目布局和深度推断、球面域上的立体匹配，以及使用多视角相机设置的光场、多视图立体和运动结构等方面的方法，并讨论了各种目的的常用数据集和性能指标。最后，指出了当前和未来的研究趋势。

Jan, 2024

本文提出了一种使用 Google Street View 中地理标记全景作为全局定位源的新方法，通过追踪短单眼相机序列中的特征点，估计 3D 位置，然后计算 Street View 全景图与估计点之间的刚体变换，进而实现了机器人自动测距。

Mar, 2015