本研究提出了一种名为SeFENet的语义驱动特征增强网络，旨在改善恶劣环境下的图像模糊和色彩失真问题。通过引入层次化尺度感知模块和语义引导约束模块，SeFENet显著提升了单应性估计的准确性和鲁棒性，实验结果显示其点匹配错误率降低了至少41%。

本研究提出了一种名为AltO的无监督学习框架，旨在解决多模态图像对的单应性估计问题，克服传统方法的局限性，展现出更优的性能和兼容性。

SCPNet是一种无监督跨模态单应性估计框架，利用自监督学习和一致特征映射投影。在GoogleMap数据集上，它的平均角点误差比有监督方法MHN提高14.0%。在多个数据集上，SCPNet的性能优于其他无监督方法，MACE分别降低49.0%、25.2%、36.4%和10.7%。

研究提出了一种新方法，通过单应性估计和目标检测，收集多视角道路数据，解决单目深度估计在视角变化下的不足。实验显示，该方法在深度和不确定性上有显著提升，对自动驾驶等应用有重要意义。