本文提出一种基于神经网络的端到端方法，通过引入新的模块和层保留基本矩阵的数学属性，无需依赖于点对应关系来估计基本矩阵，在 KITTI 数据集上取得了与传统方法相媲美的性能。

Oct, 2018

该研究使用多层感知器来优化广基准立体匹配的好匹配点，同时恢复相对位置关系，该网络基于像素坐标运算而非直接图像处理，提出了一种称为上下文规范化的新型正则化技术，使得可以单独处理每个数据点并赋予全局信息。在多个数据集的实验中，该方法使用少量训练数据就能显著提高现有技术的水平。

Nov, 2017

通过相对位姿来实现的视觉定位方法中，经典的基于特征点的方法具有最好的表现，替换为深度学习的方法后其性能不佳，本文分析了原因并给出了未来工作的建议。

Aug, 2019

提出了一种无监督深度视觉几何估计方法来提高图像配准的精度，通过学习异常值掩模以去除噪声和提取更可靠的样本进行估计，使用 RANSAC 机制进行可靠区域选择，并专注于学习深度特征来计算损失，同时不忽略在真实场景中处理视差和运动物体的重要性。

Sep, 2019

本文提出了一种用于估计一致密集深度图和相机姿态的算法，该算法基于学习的深度先验和几何优化相结合，不需要输入相机姿态，并能够在包括噪声、抖动、运动模糊和卷帘快门失真等多种挑战性条件下实现稳健的重建。

Dec, 2020

使用 SIFT 检测器获取的五个旋转不变特征对，估计两视图中的基础矩阵，首先从三个对应点估计一个单应性矩阵，然后从该矩阵和另外两个位置一般的点对中获取基本矩阵，结合 Graph-Cut RANSAC 等鲁棒估计器优于其他最先进的算法，在准确性和所需迭代次数方面得到验证。作为潜在应用，我们展示了使用所提出的方法使得两视图多运动估计更加准确。

Mar, 2018

本文提出了一种基于关键帧的密集相机跟踪和深度图估计系统，该系统完全是通过学习而实现的，实现了小姿态增量的估计和大量姿态假设的产生，并通过成本体积累积信息和图像先验来更新深度预测，具有优越的 RGB-D 跟踪算法性能和与强大的传统和深度学习算法比较的竞争力。

Aug, 2018

本文提出了一种无监督学习方法，通过推断面部关键点的深度来预测面部的三维结构和姿态变换，从而实现将面部从一个姿态、几何形状转换成另一个姿态、几何形状等多种功能；同时，探索了对该方法的不足之处，提出使用对抗图像翻译技术作为后处理步骤以重新合成不同姿态或身份的面部的完整头像。

Mar, 2018

本文通过一种去除特征值分解的方法，解决了深度学习框架中的一个困境：如何在网络中显式编码已知的几何概念，并演示了此方法在多种实际情况下的鲁棒性和性能优越性。

Apr, 2020

本文提出了一种基于多视图图像的轻量级解决方案，通过利用新近的可解释表示学习方法，将 3D 几何结构融合到输入图像中，利用摄像机投影运算符对学习表示进行条件化，以产生准确的视角 2D 检测，通过可微的直接线性变换层 (SVD) 将其简单地提升到 3D，并提出一种新方法实现直接线性变换层 (SVD) 以有效地实现三维姿态恢复，同时保证实时性能。

Apr, 2020