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。

本文介绍了动态和主动像素视觉传感器（DAVIS）的特点及其在机器人技术和计算机视觉中的应用，发布了一组DAVIS数据集以促进相关算法研究。研究涉及视觉里程计和vSLAM算法，提出新方法以提高在高动态范围和高速环境下的性能，解决现有技术的局限性。

本文介绍了PL-SLAM方法，结合点和线段在低纹理环境下实现SLAM，并提出基于词袋的回环闭合算法，测试结果显示其性能优于ORB-SLAM。此外，研究探讨了事件相机在视觉里程计和深度估计中的应用，提出新框架和方法，显著提高复杂环境下的空间感知能力。

本文介绍了多种视觉里程计和SLAM方法的创新，包括直接稀疏视觉里程计、PL-SLAM、Photo-SLAM和Multicam-SLAM等。研究提出的新算法和数据集显著提高了跟踪精度和实时性能，解决了低纹理环境下的挑战，并展示了在嵌入式平台上的应用潜力。

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。

本文介绍了动态和主动像素视觉传感器（DAVIS）的特点及其在机器人技术和计算机视觉中的应用，提出了多种基于事件相机的视觉里程计和SLAM算法，强调了其在高速和高动态范围场景下的优势，并展示了相关数据集和实验结果，推动了该领域的研究进展。

本文提出了一种基于立体事件相机的数据三维重建方法，优化了能量函数和概率深度融合策略，适用于纹理丰富和稀疏场景。同时，研究介绍了实时视觉里程计解决方案，利用事件相机在高速场景下进行有效的三维重建和姿态恢复，实验结果表明该方法性能优于传统技术。

本文介绍了一种基于事件相机的实时视觉里程计解决方案，结合视觉一致性和三维场景重建，能够在高速动态场景中有效运行。研究提出了运动补偿图像重建和视觉惯性导航融合等方法，显著提高了姿态估计的准确性。实验结果表明，该系统在多个数据集上优于现有技术。

该文综述内窥镜单目深度估计与视觉里程计进展，涵盖无监督学习、几何一致性损失、双目姿态估计及BEVDepth三维检测等方法，重点介绍Endo-4DGS利用4D高斯飞溅与伪深度图实现实时动态手术场景重建，无需真实深度数据，并验证其高效性与准确性。

该文综述基于深度学习的视觉定位与图像对齐研究，涵盖车载摄像机定位、跨视角图像地理定位、单应矩阵估计、平面跟踪及单目视觉里程计，利用卷积神经网络、循环网络和多模态嵌入提升精度与鲁棒性。

该文综述NeRF研究进展，重点介绍Open-NeRF：借助SAM等大模型，通过分层二维掩模生成、跟踪对齐与三维蒸馏，实现开放词汇的NeRF对象分解，性能超越LERF和FFD；同时提及SinNeRF单视图训练、SE-NeRF自进化少样本、SAR-NeRF、MVG-NeRF及NeRF-VO单目视觉里程计等改进方法。

本文综述事件相机视觉里程计研究，涵盖连续时间轨迹估计与高斯过程回归（误差降低两至四倍）、实时立体事件视觉里程计与半密集三维重建、连续时间视觉惯性融合、事件与RGB-D融合的四足机器人姿态估计、紧密事件惯性融合测速、DEVO单目系统（显著降低跟踪误差）及RAMP-VO端到端学习系统（提升精度与速度）。

事件相机作为一种新型被动感知方式，可用于多种3D感知任务。相关研究涵盖大规模数据集构建、多模态融合跟踪、高速低延迟视觉跟踪、光照鲁棒交通检测、事件与图像结合、基于Transformer的骨干跟踪网络、视频帧插值、稀疏视觉里程计及物体检测等。通过融合事件流与RGB、点云等模态，这些方法在高动态范围、快速运动和挑战性光照条件下优于传统帧相机方案。

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%。