这是视觉定位与建图领域首个全面覆盖深度学习方法的权威综述 ，系统梳理了数据驱动方案如何替代传统几何 / 物理建模，回答两大核心问题：深度学习是否适用于定位建图 、如何应用深度学习，并构建统一分类框架。
一、核心定位与背景
- 研究价值 传统 SLAM / 视觉定位依赖人工设计特征（SIFT、ORB）与几何约束，对光照、动态、低纹理场景鲁棒性差；深度学习以数据驱动方式自动提取特征，适配复杂环境，成为下一代空间感知核心方向。
- 覆盖范围 视觉里程计（VO）、全局重定位、建图、回环检测与 SLAM 后端，跨机器人、CV、机器学习三大学科。
二、整体分类框架（四大模块）
1. 增量运动估计（视觉里程计 VO）
- 核心目标：连续估计相机位姿变换，重建全局轨迹。
- 三类方法
- 有监督 VO：DeepVO（CNN+RNN）、DAVO（注意力机制），需真值位姿，精度高但标注成本大。
- 自监督 VO：SfmLearner、UnDeepVO、GeoNet，以视图合成 / 光度损失为监督，无需标注，泛化性强；解决单目尺度模糊、动态物体干扰问题。
- 混合 VO：D3VO、CNN-SVO，融合深度学习深度 / 不确定性预测与传统几何 VO，精度超越纯学习 / 纯几何方法。
2. 全局重定位
- 核心目标：在已知地图中获取相机绝对位姿，用于追踪丢失恢复、漂移修正。
- 两类地图
- 2D 地图重定位
- 显式：图像检索 + 相对位姿回归（RelocNet、CamNet）。
- 隐式：端到端 6DoF 回归（PoseNet 系列、AtLoc、MS-Transformer）。
- 3D 地图重定位
- 局部描述子匹配：SuperPoint、D2-Net、HF-Net，建立 2D-3D 对应。
- 场景坐标回归：DSAC/*、DSAC++、KFNet，可微 RANSAC 优化，端到端求解位姿。
- 2D 地图重定位
3. 建图
- 几何建图：深度估计、点云、网格、体素、隐式曲面（DeepSDF、NeRF）。
- 语义建图：SemanticFusion、PanopticFusion，融合语义分割与 3D 地图，支持高层理解。
- 隐式建图：CodeSLAM、iMAP、NICE-SLAM，用神经网络编码场景，紧凑且可优化。
4. 回环检测与 SLAM 后端
- 回环检测：BoW→CNN 特征→NetVLAD，基于深度特征提升视角 / 光照鲁棒性。
- 局部优化：BA-Net、LS-Net，可微光束平差，在特征空间优化。
- 全局优化：图优化 + 深度学习预测，修正累积漂移，保证系统一致性。
三、关键结论
- 深度学习的三大优势
- 自动提取鲁棒特征，适配弱纹理、光照变化、动态环境。
- 实现语义 - 几何融合，支撑高层机器人任务。
- 自监督 / 在线学习，可自适应新场景，降低部署成本。
- 应用范式
- 作为通用拟合器：端到端位姿回归。
- 解决数据关联：重定位、回环、语义标注。
- 特征学习与几何先验结合：混合架构最优。
- 自监督训练：从无标注视频学习几何。
- 现存局限
- 大模型算力需求高，移动端部署受限。
- 泛化性与可解释性不足，安全性待验证。
- 动态场景、极端光照仍有挑战。
