- 学习神经体积位姿特征用于相机定位
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 - 相机定位的场景标记检测改进
基于场景地标检测的摄像头定位方法，采用卷积神经网络（CNN）检测少量特定的场景 3D 点或地标，并从相关的 2D-3D 对应中计算摄像头姿态，具有与基于 3D 结构的方法相当的准确性，但速度更快且使用存储空间更少。
- CaLDiff: 基于姿态扩散的 NeRF 相机定位
本研究通过扩散模型进行相机姿态调整，从而在 NeRF 中实现相机定位，并且与现有方法和基准线相比，实验结果表明其定位精度显著提高。
- Synfeal: 基于数据驱动的端到端相机定位模拟器
本研究中，我们提出了一种名为 Synfeal 的数据驱动模拟器，通过在真实世界的逼真三维重建中移动虚拟摄像机并收集相应的地面真实摄像机姿势来合成真实场景的大型定位数据集。通过使用 Synfeal 合成数据集并对其进行有针对性的训练，本文证明 - SGL: 针对相机定位的结构指导学习
本文介绍了一种基于深度神经网络的端到端视觉定位方法，提出了一种名为 SGL 的网络体系结构，用于估计 3D 坐标，通过使用 PnP 和 RANSAC 估计摄像机姿态。该方法在实验中表现良好，能够有效地定位摄像机。
- CVPRNeuMap: 使用自动 Transdecoder 的神经坐标映射应用于摄像头定位
本文介绍了一种名为 NeuMap 的端到端神经映射方法，其将整个场景编码为潜在代码网格，并使用基于 Transformer 的自动解码器回归查询像素的 3D 坐标，通过中间参数表示法和无需特征点的自动解码器结合优势，在保持网络权重固定的情况 - CVPR基于点线的相机位姿不确定性感知估计
通过考虑特征的 2D 和 3D 坐标的不确定性，提出了一种基于 EPnP 和 DLS 的 PnP (L) 求解器，将其应用于机器人和 AR / VR 系统中的相机定位，实验表明该方法在准确度方面优于现有算法，并使位姿估计出现提高。
- CVPR通过密集场景匹配学习相机定位
本文提出一种基于 DSM 和 CNN 的相机场景无关的定位方法，可应用于大范围场景，能够在时间领域实现额外的性能提升，大大优于 SANet 等现有方法。
- 动态室内环境下基于空间分区的相机重定位的鲁棒神经路由
本文提出了一种新的基于异常值感知神经树的相机定位算法，通过对室内场景进行层次化空间划分和深度学习的路由函数实现更好的三维场景理解，同时使用异常值拒绝模块来过滤掉动态点，并在 RIO-10 基准测试中达到了比现有技术更高的相机姿态精度。
- 基于 2D-3D 线对应的先前 LiDAR 地图中的单目相机定位
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。
- ECCV局部特征几何的多视角优化
本研究提出了一种基于多视图三角化和非线性最小二乘的方法来优化局部图像特征的定位精度，实验证明该方法能够提高手工制作和学习的局部特征的三角化和相机定位性能。
- 使用 DSAC 从 RGB 和 RGB-D 图像中进行视觉相机重定位
这篇论文介绍了一种基于学习的系统，可以通过单个输入图像相对于已知环境估计相机的位置和方向，该系统采用了深度神经网络和可完全微分的姿态优化，可以适应不同应用程序，包括使用 RGB-D 或 RGB 图像进行训练，并可以使用环境的三维模型进行训练 - AtLoc：基于注意力机制的相机定位
本研究中，我们使用注意力机制可实现更加几何鲁棒的物体和特征，即使仅使用单个图像作为输入，也可在常见基准测试中实现最先进的性能，并提供了广泛的实验证据。通过确定性的注视地图，我们证明网络通过学习拒绝动态物体来提高全局相机位姿回归性能。
- 结构化环境下的单目物体和平面 SLAM
本文提出一种使用高级物体和平面地标的单目同时定位与地图构建算法，该算法比基于特征点的 SLAM 建立的地图更加密集、更紧凑且更具语义意义。实验显示，我们的算法能够提高相机的定位精度，特别是在没有闭环的情况下，并且在许多结构化环境中稳健地生成 - CVPR潜在的 RANSAC
提出了一种能以恒定时间（与数据大小无关）评估 RANSAC 假设的方法，通过 Random Grids 的寻找相似假设对的方式，大大提高了 RANSAC 流程的效率且不影响准确性，成功应用于相机定位、3D 刚体对齐和 2D 透视矩阵估计等问 - CVPR几何感知学习用于相机定位的地图
提出了一种名为 MapNet 的深度神经网络，它将地图表示为一种数据驱动的方式，利用视觉里程计和 GPS 等常见的传感器数据来建立约束关系，从而提高相机定位的精确度和实现自监督式更新。在室内和室外数据集上进行的实验表明，该方法相较于之前的工 - CVPR学习少即是多 - 通过三维表面回归实现六自由度相机定位
本文针对如何从单个 RGB 图像中在给定的 3D 环境中预测 6D 相机姿态这一问题，通过设计并使用一个名为完全卷积神经网络的组件实现了高效、高精度和鲁棒性训练的端到端可训练的管道。令人惊奇的是，网络仅依靠单一视角的约束条件即可自动发现 3 - 随机森林与神经网络 —— 哪个更适合相机定位？
本研究提出了一种名为 ForestNet 的方法，将 Random Forests 与 Neural Networks 结合起来，提高了相机定位的准确性。
- 平面标志物的映射和定位
本文提出了一种利用方形平面标记同时解决定位和建图问题的新方法，通过创建相对标记姿态的箭头以及在所有观察帧中最小化平面标记再投影误差的方式进行全局定位优化，实验表明该方法优于运动结构和视觉 SLAM 技术。