提出了一种新的直接稀疏视觉里程计公式，将全直接概率模型（最小化光度误差）与所有模型参数（包括几何结构-在参考帧中表示为反深度-和相机运动）的一致联合优化相结合。

Jul, 2016

提出了一个包含50个具有独特多样性的现实中场景的数据集，用于评估单目视觉里程计和SLAM方法的跟踪精度，并在此基础上提出了一个相机光度校准的简单方法以及一种非参数化暗角校准方法，该研究详细评估了两种现有方法（ORB-SLAM和DSO）在该数据集上的效果。

Jul, 2016

本文提出了一种适用于水下环境的单目视觉里程计方法，该方法基于光流跟踪和基于关键帧的非线性优化，并在模拟和实际水下数据集上验证其性能优于现有的视觉SLAM方法，主要应用于水下考古任务中ROV的定位。

Jun, 2018

本文提出一种直接的视觉惯性里程计方法（VIO），该方法基于来自快门滚动摄像机和惯性测量单元（IMU）的测量，估计传感器设置的运动和环境的稀疏3D几何图形，并结合光度束调整，估计一组最近的关键帧姿势和稀疏点的反深度，同时利用IMU信息，基于滚动快门效应对速度和偏差进行校准。在公开数据集上进行的实验说明，与不考虑滚动快门的系统相比，所提出的方法表现更好，并在全局快门数据上实现了与全局快门方法类似的准确度。

Nov, 2019

本文提出了一种称为SM/VIO的模型驱动的可视惯性里程计（VIO）算法，该算法在海洋环境下具有较强的鲁棒性，并通过在VIO失败时结合机器人运动学模型和本体感知传感器来维持姿态估计

Apr, 2023

本文系统研究了单目视觉同时定位与地图构建方法在水下机器人中应用时所遇到的挑战，并探讨了环境条件对算法表现的影响，同时提出了图像增强技术来提高在极端光照和低能见度条件下的算法准确性和鲁棒性。

Jun, 2023

我们提出了一个完整的折射三维重建框架，用于使用折射相机配置（包括平板和圆顶水下机舱）的水下三维重建。我们在先进的开源三维结构光束框架COLMAP中将折射考虑整合到整个结构光束过程中，通过数值模拟和基于合成真实图像的重建结果验证了我们方法的准确性和鲁棒性，最后，我们用包含近6000张图像的数据集展示了我们的方法在大规模折射场景中的能力。

Mar, 2024

该研究提供了首个开源的水下折射相机标定工具箱，可完整标定包括相机、立体视觉系统和水下外壳在内的水下视觉系统，适用于圆顶或平板口窗。通过使用渲染数据集和真实实验验证了该实现。

May, 2024

本文介绍了一种改善水下环境中基于学习的单目视觉里程计的方法，通过集成水下光学成像原理来操纵光流估计，从而增强了自主水下航行器的视觉里程计系统的准确性。新的方法wflow-TartanVO利用规范化的介质透射图作为权重图，调整估计的光流以强调降解较小的区域并抑制受水下光散射和吸收影响的不确定区域。wflow-TartanVO不需要对预训练的视觉里程计模型进行微调，因此适用于不同的环境和相机模型。对不同的真实水下数据集的评估表明，wflow-TartanVO相对于基线视觉里程计方法具有更好的性能，体现在绝对轨迹误差（ATE）明显降低。可通过此链接获取实现代码：https://此处为URL。

Jul, 2024

本文解决了视觉惯性里程计（VIO）在水下环境中精度不足的问题，通过引入磁计数据的紧耦合融合来优化关键帧滑动窗口，从而显著降低了方向误差并恢复了相对于地磁北的真实偏航方向。实验结果显示，该框架在水下洞穴中的准确性和鲁棒性得到了显著提升，对改善定位漂移和环路闭合尤其有效。

Sep, 2024