- 无阴影神经光辐射场中的相机重新定位
本文提出了一种基于神经辐射场（NeRF）的两阶段流程，通过标准化具有不同光照和阴影条件的图像来改善相机重定位，并在基于哈希编码的 NeRF 上实现场景表示，进一步利用重新设计的截断动态低通滤波器（TDLF）和数值梯度平均技术来解决网格化 N - WSCLoc: 弱监督稀疏视图相机定位
WSCLoc 系统用于弱监督和稀疏视图条件下的摄像机定位任务，通过两个阶段的联合优化提高了深度学习模型的性能，实现了超过当前方法的姿态估计准确性。
- EffLoc: 高效的六自由度相机重定位的轻量级视觉 Transformer
EffLoc 是一种高效的视觉转换器，用于单图像相机场景重定位，具有较强的效率和准确性，并超过了之前的方法，如 AtLoc 和 MapNet。
- AAAIRobustLoc：具有鲁棒性的车载摄像头位姿回归
RobustLoc 是一个用于自动驾驶中的相机重定位系统，它使用神经微分方程进行信息扩散和卷积神经网络从多视角图像中提取特征图，同时配备多层训练的分支位姿解码器。使用 RobustLoc 可以在各种环境下实现相机的鲁棒定位。
- 针对动态场景的图注意力网络相机重定位
我们提出了基于图注意力网络的方法，利用场景三角网格表示来估计动态环境下的图像相机位置，通过三个组件（图神经网络、卷积神经网络和神经网络模型）的端到端训练，结合 RANSAC 算法和点云表示有效地提高了相机位置精度。
- S3E-GNN：利用图神经网络的稀疏空间情景嵌入进行相机重定位
本文提出了一种名为 “稀疏空间场景嵌入以图神经网络为主体的学习方法（S3E-GNN）” 的端到端框架，用于相机重定位。该方法使用编码模块和查询模块，将场景图嵌入到参考图中进行相机重定位。实验结果表明，由于基于学习的嵌入和 GNN 增强的场景 - ECCVDFNet：使用直接特征匹配增强绝对姿态回归
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。
- ICCV局部支持全局：带序列增强的深度相机重定位
使用序列图像中的局部信息支持全局相机重定位，提出了包括内容增强姿态估计和基于运动的细化两个步骤的新方法，实验结果表明我们的方法在一些具有挑战性的情况下表现优于最先进的方法，例如纹理不足、高度重复的纹理、相似的外观和过度曝光。
- ECCV基于角度重投影误差的场景坐标回归在相机重新定位中的应用
本文提出一种基于新的角度重投影误差损失方法的卷积神经网络训练方式，在无需精确初始化的情况下能够获得更准确的结果，并且可以利用多视角约束来进一步提高性能。
- 基于图像的定位的全幅场景坐标回归
采用全帧方式进行场景坐标回归可以在测试时间内提高计算效率并增加回归过程的全局上下文以提高稳健性，而数据增强则有助于减轻过度拟合问题，从而提高基于图像识别的定位场景坐标预测的鲁棒性。
- 利用回归森林中的点和线进行 RGB-D 相机定位
本文提出了一种基于不确定性驱动回归森林的方法，通过联合使用点和线特征，对相机重定位进行优化，实验结果表明，本文提出的方法在几个指标上优于现有的基准方法。
- 精准摄像机定位的回溯回归森林
本文提出了一种基于随机森林的相机定位方法，通过采用样本平衡策略和修正不正确的 2D-3D 对应关系，可以在室内和户外的 RGB 应用场景中实现相对准确的定位效果。
- 使用卷积神经网络计算两两相对姿态实现摄像机重定位
本文提出了一种基于深度学习的摄像机再定位方法，通过卷积神经网络检索相似的数据库图像，并预测查询图像与数据库图像之间的相对姿态，使用 RANSAC 算法进行相对平移估计，并使用第二个 RANSAC 方案将相对姿态融合；此外，作者提出了一个涵盖