本研究提出了一种新的模型开发策略，通过课程学习提升单目视觉里程计（VO）的性能。实验结果表明，深度补丁视觉里程计（CL-DPVO）在复杂环境中优于现有方法，验证了课程学习在视觉里程计中的有效性。

本研究提出了一种新方法，通过引入运动先验和深度学习，显著提升了传统视觉里程计在快速运动和低帧率下的导航准确性和样本效率。

FAST-LIVO2是一个快速直接的激光雷达-惯性-视觉里程计框架，通过ESIKF融合IMU、激光雷达和图像测量，解决SLAM任务中的状态估计问题，实现高精度和鲁棒性的大规模映射和导航。

该论文提出了一种新型单目 SLAM 方法，结合全局 SfM 方法，使用秩 1 矩阵分解技术解决视觉里程计问题，并采用多阶段线性公式和 L1 优化进行姿势图优化，生成更稳健的重建结果。与最新的 SLAM 系统相比，速度提高了4倍，并在新数据集上进行了比较。

本研究介绍了一种轻量级的不确定性估计器，能够预测多模态不确定性，并在视觉里程计中应用。通过自适应调整每个样本的不确定性估计，提高预测准确性。结合数据驱动学习和基于光流的推理，该方法优于传统深度学习方法。

该方法利用车辆前置摄像头捕捉的视频素材提取轨迹，输出为链码表示。系统不依赖传统方法，速度和稳健性更高，无需外部摄像头校准。融合视觉里程计提高对相机运动的准确估计，提供更全面的轨迹理解。

本研究介绍了一种轻量级的不确定性估计器，结合预测和深度学习回归器，能够预测多模态不确定性界限。该方法在视觉里程计中应用，自适应地调整不确定性估计，并通过推理框架提高预测准确性，优于传统的深度学习方法。

该研究提出了一种轻量级的不确定性估计器，能够预测多模态的不确定性界限，特别适用于视觉里程计。该方法通过稳健的不确定性估计和基于光流的推理，减少预测误差 2-3 倍，始终优于传统的深度学习方法。

本文介绍了使用事件相机实现实时视觉里程计的解决方案，成功解决了半密集三维场景重建和姿态恢复问题。该系统在高速和大动态范围场景下进行视觉里程计，并在公开数据集和作者的数据集上进行了测试。

本研究提出了一种轻量级的不确定性估计器，可预测多模态的不确定性界限，特别适用于视觉里程计。该方法通过稳健的不确定性估计和基于光流的推理，显著提高了预测准确性，模拟结果表明在具有挑战性的场景中优于传统深度学习方法，可减少预测误差2-3倍。

RAMP-VO是第一个端到端学习的事件-图像式视觉里程计系统，利用新颖的RAMP编码器，比现有异步编码器快8倍，准确性高出20%。