随着深度学习的快速发展，视觉稠密建图和定位技术从传统的基于手工特征点的检测、匹配加之数值优化，发展到现在的基于深度神经网络的特征检测、匹配和学习优化(Learning to Optimize)，近些年涌现出了很多新的方法。在这次分享中，我们邀请到了阿里云人工智能实验室算法团队负责人朱思语，分享他们最新的基于深度神经网络的密集特征匹配、不依赖场景的视觉定位以及基于深度递归优化器的运动恢复结构（Structure from Motion）等工作。最后会对基于视觉的建图和定位技术未来发展的趋势做简要总结。在极市平台公众号后台回复“83”或“朱思语”即可获取PPT下载地址~
极市直播丨朱思语：基于深度学习的视觉稠密建图和定位
➤论文
1.Learning Camera Localization via Dense Scene Matching
论文地址：
https://arxiv.org/abs/2104.14545
2.End-to-End Learning Local Multi-view Descriptors for 3D Point Clouds
论文地址：
https://arxiv.org/abs/2003.05855
3.Cascade Cost Volume for High-Resolution Multi-View Stereo and Stereo Matching
论文地址：
https://arxiv.org/abs/1912.06378
4.Stereo Matching by Self-supervision of Multiscopic Vision
论文地址：
https://arxiv.org/abs/2104.04170
5.AR Mapping: Accurate and Efficient Mapping for Augmented Reality
论文地址：
https://arxiv.org/abs/2103.14846
6.Compact 3D Map-Based Monocular Localization Using Semantic Edge Alignment
论文地址：
https://arxiv.org/abs/2103.14826
7.DRO: Deep Recurrent Optimizer for Structure-from-Motion
论文地址：
https://arxiv.org/abs/2103.13201
第一部分：视觉建图和定位技术概述：
传统的和基于深度神经网络的视觉建图技术回顾
传统的和基于深度神经网络的视觉定位技术回顾
视觉建图和定位技术当前的挑战
趋势#1：利用深度神经网络的特征进一步解决手动特征的局限性
趋势#2：利用学习优化（Learning to Optimize）替代传统数值优化
趋势#3：利用深度神经网络的预测能力提升建图和定位的精度和鲁棒性
➤回放视频在这里☟（建议在pc端观看）
➤部分PPT截图
B站：http://space.bilibili.com/85300886#!/腾讯视频：http://v.qq.com/vplus/8be9a676d97c74ede37163dd964d600c往期线上分享集锦：http://bbs.cvmart.net/topics/149/cvshare（或直接阅读原文）
如果觉得有用，就请分享到朋友圈吧！
公众号后台回复“83”获取朱思语：基于深度学习的视觉稠密建图和定位直播链接～
推荐阅读
备注：姓名-学校/公司-研究方向-城市（如：小极-北大-目标检测-深圳）
即可申请加入极市目标检测/图像分割/工业检测/人脸/医学影像/3D/SLAM/自动驾驶/超分辨率/姿态估计/ReID/GAN/图像增强/OCR/视频理解等技术交流群
每月大咖直播分享、真实项目需求对接、求职内推、算法竞赛、干货资讯汇总、与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企视觉开发者互动交流~
觉得有用麻烦给个在看啦~ 
