本文介绍相机姿态自编码器（PAEs）的使用，在使用 APR 作为教师模型的情况下，使用教师 - 学生方法对其进行多层感知机神经网络的训练。我们表明，使用这种编码器时，可以获得与 APR 相当的姿态表示效果，并且展示了在相关任务中它们的有效性，同时提出了一种轻量级测试时间优化方法。通过对数据集 CambridgeLandmarks 和 7Scenes 的测试，该方法取得了新的最佳位置精度。

Jul, 2022

引入了一种新颖的神经体姿态特征 ——PoseMap，旨在通过囊括图像之间和相关摄像机姿态之间的信息增强摄像机定位能力。该框架利用了绝对姿态回归（APR）架构和增强的 NeRF 模块，不仅有助于生成丰富的训练数据集来丰富训练，在线自监督对齐的扩展还能允许该方法在无标签图像上使用和微调。实验证明，我们的方法在室内和室外基准场景上平均性能分别提高了 14.28% 和 20.51%，超过了现有的具有最先进精度的 APR 方法。

Mar, 2024

本文提出了一种使用相对位移回归来规范绝对位姿估计的新方法，采用递归融合神经网络来更好地整合绝对和相对估计姿态，实验结果表明这种方法比使用姿态图优化的方法更为有效。

Apr, 2023

KS-APR 是一种用于 Markerless Mobile Augmented Reality 的 pipeline，通过结合 APR 的推断结果和训练集中的先验图像来评估估计位姿的可靠性，从而提高可靠性和准确性，适用于不需要一次性决策的视觉定位任务。

Aug, 2023

本篇研究提出了一种相机重新定位的方法，它通过绝对姿态回归和直接特征匹配相结合，并加入曝光自适应的新视角合成，成功地解决了现有基于光度的方法无法处理的室外环境中的光度变形问题。

Apr, 2022

本研究提出了一种基于姿态回归网络和图神经网络相结合的视觉重新定位方法，可在没有内参信息的情况下达到与绝对姿态回归网络相当的准确性，同时保持相对姿态回归模型的高测试速度和对非训练场景的适用性。

Apr, 2021

提出了一种无需建立场景特定三维地图的场景单图参考图像重定位技术，并通过对世界范围内的小型艺术品，如雕塑、壁画和喷泉的构建新数据集，测试了现有算法的可行性及基准结果，并发现无地图重定位仍需新型创新技术的挑战。

Oct, 2022

我们提出了相对位姿回归的几种新度量方式并给出了一种新的姿态回归网络，将其与传统方法比较，结果表明新的度量方法比传统方法更稳健，并且我们的网络在单个场景训练模型后，在其他场景上的性能损失很小。

Sep, 2020

本研究旨在解决场景中精确的相机姿态估计的视觉定位问题，传统方法使用 3D 几何学，而新近出现的卷积神经网络则直接从输入图像中学习相机姿态，但是并未达到 3D 方法的精度。本论文提出了一种理论模型来预测 pose regression 技术的失败案例，并证实了我们的预测。作者进一步表明，pose regression 与图像检索非常相似，而不是与 3D 结构的准确姿态估计。最重要的是，当前方法并不能持续超越手工图像检索基线，因此需要进一步的研究。

Mar, 2019

使用 Transformers 学习多场景相机姿态回归，通过自注意力聚合激活图和变换潜在特征以及场景编码，提高了定位准确性。

Aug, 2023