本文探讨了结构从运动（SfM）在计算机视觉中的应用，介绍了多种方法和技术，包括基于深度学习的两视图对应估计、相机聚类算法、单目SLAM和图注意力网络。这些新方法在三维重建和相机位姿估计方面表现出色，尤其在处理大规模数据集时展现出更高的准确性和鲁棒性。

该研究提出了一种基于全卷积神经网络和条件随机场的框架，解决人体姿态估计和语义分割问题，实验结果优于竞争方法。同时，研究还涉及手部检测、相机位姿估计及三维人体姿态估计等深度学习应用，均取得显著性能提升。

本文提出了一种基于最小问题求解的相对相机位姿估计方法，结合三点和一条线的信息，采用高效的同伦继续求解器MINUS，克服了传统方法的局限性。实验结果表明，该方法在复杂环境中具有更高的准确性和鲁棒性，优于基于点的方法，并已公开源代码。

本文介绍了相机位姿估计的方法，通过对应关系和基础矩阵解决，提供高精度。神经网络预测姿态方法对于有限重叠情况更鲁棒但精度较低。作者结合两种方法的优点，提供精确稳健结果，并准确推断平移尺度。模型核心是Transformer，平衡已解决和学习的姿态估计，并提供先验信息指导求解器。实验结果表明，该方法在特征提取器和对应估计器上展现最先进的6自由度姿态估计性能。

本文介绍了一种适用于长期户外视觉定位的新颖功能点匹配方法，通过检索技术将查询图像与参考图像匹配，得出相机位姿的估计，并通过优化2D特征点进行位姿估计。实验证明该方法在多个具有挑战性的户外数据集上表现优异。