本文提出了一种解决视觉定位中相机姿态估计不精确问题的方法，结合了三维重建和启发式优化策略，生成高质量的合成视图。研究结果表明，该方法在多种基准数据集上表现出色，具有更强的抗噪声能力和更高的定位准确性。

我们提出了一种新颖的方法，通过学习预期的外观来进行术中患者到图像的注册。该方法通过最小化术中2D视图与合成预期纹理之间的差异来估计相机姿态。在脑外科手术中的神经导航背景下应用该方法，结果优于现有方法，并达到了当前临床标准的准确性。

本文提出了一种端到端可训练模型，用于感知3D场景、估计相机姿态和室内布局，并重建人体和物体网格。通过全面而复杂的损失，证明了该模型优于现有方法。这是第一个在网格级别输出对象和人体预测，并联合优化场景和人体姿态的模型。

该方法用于单个图像的三维立方体物体检测和多视图对象 SLAM，通过生成高质量的 cuboid 提议和新的对象测量的多视图束调整，联合优化相机、对象和点的姿态，提高了相机姿态估计和 3D 对象检测的准确性和鲁棒性。在 SUN RGBD 和 KITTI 上进行的实验证明了该方法的优越性。