本文提出了简单高效的 PICCOLO 算法，通过对点云与全景图片进行配准，利用采样损失将实现了全方位定位的单张图像查询。相比传统的基于像素点的光度损失函数，基于采样的损失函数能够有效地克服全向图像的严重视觉扭曲，并利用全局上下文处理具有挑战性的视觉定位场景，在各种环境下都超越现有算法的准确性和稳定性。

Aug, 2021

360Loc 是首个基于可视定位的横跨设备视觉定位数据集和基准。通过结合 360° 图像和激光雷达数据生成全景真实 6DoF 姿态，360Loc 实现了 360° 视图映射，并通过虚拟相机方法为不同查询类型的视觉定位任务提供了公平比较性能的机会。研究结果表明，全景视觉定位在具有对称和重复结构的大规模场景中更加稳健。

Nov, 2023

通过无缝融合 RGB 传感器到 Lidar 的 3D 识别中，我们提出了一个简单而有效的多模态检测器，该方法利用一组 2D 检测生成密集的虚拟 3D 点，能够增强原来稀疏的 3D 点云，实验结果在大规模 nuScenes 数据集上取得了显着的改进，并超过了竞争融合方法。

Nov, 2021

本篇论文提出了一种名为 OmniFusion 的 360 单目深度估计流程，通过将 360 图像转换为切线图像并采用 CNN 进行分段预测，最后合并分段结果以处理球形畸变问题，并通过几何感知特征融合机制、自注意力变换架构和迭代深度细化机制处理分段预测不一致问题，成功的在多个 360 单目深度估计基准数据集上取得了最先进的性能。

Mar, 2022

本文提出了一种基于单目摄像头和单个 LiDAR 的方法，用于大规模场景下的 3D 多人姿态估计。通过设计一种有效的多模态融合策略，并充分利用时间信息来指导网络学习自然和连贯的人类运动，以点云的固有几何约束为自我监督，用图像上的 2D 特征点进行弱监督，无需依赖于任何 3D 姿态注释。实验结果表明了该方法的优越性和泛化能力。

Nov, 2022

利用预先建立的 LiDAR 地图作为固定约束，我们提出了一种新的成本效益的重建流程，以有效应对单目相机重建中固有的尺度挑战，并实现对兴趣区域的重建细节级别的灵活管理。

Oct, 2023

提出了一种基于灵活的神经网络点云场景表示的高效 RGB-only 稠密 SLAM 系统，通过适应关键帧姿态和深度更新，优化了位姿和深度，并在回环检测、全局束调整等方面取得了较好或有竞争力的跟踪、建图和渲染准确性。

Mar, 2024

本论文研究了 360 图像的深度估计问题，提出了使用重新渲染的 3D 在线数据集来解决缺乏高质量 360 数据集的挑战，并使用这个数据集实现了端对端的深度估计模型

Jul, 2018

提出了一种新的多通道点云镶嵌框架，其设计用于将部分重叠的点云集合（通常来自 3D 扫描仪或移动 RGB-D 相机）对齐到一个统一的坐标系统；核心算法为 ODIN，它使用扩散过程对相关矩阵进行去噪，并通过迭代识别重叠部分和优化注意力得分来提高匹配精度；进一步的步骤包括构建姿态图，进行旋转平均，使用鲁棒算法重新估计平移以实现共识最大化和优化平移，并最后通过扩散过程联合优化点云的旋转和位置；在四个多样化且大规模的数据集上测试，该方法在所有基准测试中以很大的优势达到了最先进的两两和多通道注册结果。

Mar, 2024

本文提出了一种从 360 度立体图像中估计场景高清空间变化光照、反射和几何的方法，该方法利用全景图像获得场景的详细几何信息，结合物理约束共同估计场景属性。通过重建场景的近场光环境、运用深度学习模型推断反射率和表面法线，加入光照与几何之间的物理约束以改进场景的反射率，实验结果表明该方法在增强现实应用中具有 State of the art 的性能有优势。

Apr, 2021