无初始化的大规模捆绑调整的功率变量投影

提出了一种新算法，能够直接从图像数据中优化结构和运动参数，无需依赖固定的对应关系。

引入平方根捆绑调整法，通过QR分解提高计算的数值稳定性，适用于大规模捆绑调整问题。

提出完全去中心化的方法，将捆绑调整问题分解为可并行求解的最优化子问题，提高收敛速度和结果准确性。

开发了概率降维向量自回归模型，从高维噪声数据中提取低维动力学，展示了优越的性能和效率。

扩展了VB方法到Riemann流形，开发基于流形的VB算法，表现出更好的稳定性和优势。

提出低复杂度算法框架，处理离散标签分配等问题，证明了算法的正确性和收敛性。

利用Levenberg-Marquardt算法进行分布式大规模数据集的捆绑调整，展示了高效性和可扩展性。

将捆绑调整问题视为强化学习任务，提出训练代理模型的方法，显著减少收敛所需的迭代次数。

基于LM算法的随机捆绑调整算法，通过图像聚类提高计算效率和可扩展性，适用于多种数据集。

介绍具有渐进空间平滑的LiDAR束调整方法，能够在复杂环境中获得高质量的点云重建结果。