本文介绍了一种基于深度学习的视觉里程计方法，通过融合相对和全局网络，优化单目定位的准确性。研究表明，该方法在复杂场景中的位姿估计优于现有技术，并提出了无匹配点的概率公式和新框架，显著提高了姿态估计的精度。实验结果验证了该方法的有效性和鲁棒性。

该论文提出了几种相机标定和相对位姿估计的方法，采用基于几何约束的损失函数和RANSAC框架的优化策略。研究表明，这些方法在合成和实际数据集上均优于现有模型，有效解决几何优化问题并提高估计精度。

本文介绍了一种基于深度学习的实时自主水下机器人位姿估计方法，利用卷积神经网络和生成模型提升水下图像质量和定位精度。研究提出的Deep-6DPose框架能够从单张RGB图像中快速检测和恢复6D姿态，性能优于现有技术。

本文综述手物交互三维重建方法，涵盖协作学习、弱监督网格拟合、物理约束、图神经网络及单目视频拟合等，旨在提升手与物体位姿估计的精度和泛化能力。

本文综述了利用合成图像训练对象检测与位姿估计模型的研究，涵盖叠加纹理模型、领域随机化、GraspGAN和半合成数据等方法，旨在缩小仿真与现实差距并减少真实标注需求。实验表明，合成数据可媲美甚至超越真实数据训练效果，并提升分割校准与异常检测能力。

该文汇总多项3D视觉研究：JM3D通过多视图联合模态建模解决3D表示学习中的信息退化与协同不足，在零样本3D分类上领先；另有自监督方法从彩色图像学习关节物体的几何、外观与动作表示，无需形态注释；此外还包括基于多视图图像的多人姿态估计、单视图自监督三维重建、多视角RGB-D自监督6D位姿估计、语义三维关键点视觉表征及多模态遮蔽自编码器预训练策略等成果。

该文综述多项SLAM研究：LIFT-SLAM将深度学习特征描述符与传统几何VSLAM结合，提升鲁棒性与性能；提出LiDAR与单目视觉紧耦合的几何特征融合框架，提高动态复杂环境下的位姿估计精度；介绍实时鲁棒的ORB-SLAM；Edge SLAM利用边缘点追踪解决低纹理环境问题；TCKDD与KDD-LOAM实现稀疏关键点匹配和高效点云配准建图；并将目标检测、CNN深度、循环闭合检测等深度学习方法融入SLAM，提升定位与建图效果。

该文综述透明物体感知研究，涵盖Trans10K数据集与边界感知分割方法TransLab、包含99种透明物体的TRansPose多光谱数据集、提供超35万RGB-D帧用于分割/深度补全/位姿估计的ClearPose，以及TransNet位姿估计、TranspareNet深度补全与TODD数据集、MVTrans多视点检测、Syn-TODD合成管道、透明物体跟踪和事件驱动跟踪器等成果。

该文综述了多项计算机视觉对应关系研究，包括：通过局部到全局一致性学习的修剪模块逐步剔除错误对应，在直线拟合、位姿估计和图像定位中优于现有算法；提出局部特征共识插件与互损失孪生网络提升匹配性能；以及基于邻域一致性的密集匹配、双向对应映射网络恢复6D姿态、二阶关注上下文修剪方法实现14倍加速、图上下文转换网络渐进式修剪对应关系等方法，均在基准数据集上取得领先结果。