相比于單目，雙目相機通過多個相機之間的基線，估計空間點的位置。與單目不同的是，立體視覺既可以在運動時估計深度，亦可在靜止時估計，消除了單目視覺的許多麻煩。不過，雙目或多目相機配置與標定均較為復雜，其深度量程也隨雙目的基線與分辨率限制。通過雙目圖像計算像素距離，是一件非常消耗計算量的事情，現在多用FPGA來完成。
RGBD相機是2010年左右開始興起的一種相機，它最大的特點是可以通過紅外結構光或Time-of-Flight原理，直接測出圖像中各像素離相機的距離。因此，它比傳統相機能夠提供更豐富的信息，也不必像單目或雙目那樣費時費力地計算深度。目前常用的RGBD相機包括Kinect/KinectV2、Xtion等。不過，現在多數RGBD相機還存在測量范圍窄、噪聲大、視野小等諸多問題。出于量程的限制，主要用于室內SLAM。
SLAM框架之視覺里程計
視覺SLAM幾乎都有一個基本的框架。一個SLAM系統分為四個模塊（除去傳感器數據讀取）：VO、后端、建圖、回環檢測。
VisualOdometry，即視覺里程計。它估計兩個時刻機器人的相對運動（Ego-motion）。在激光SLAM中，我們可以將當前的觀測與全局地圖進行匹配，用ICP求解相對運動。而對于相機，它在歐氏空間里運動，我們經常需要估計一個三維空間的變換矩陣——SE3或Sim3（單目情形）。求解這個矩陣是VO的核心問題，而求解的思路，則分為基于特征的思路和不使用特征的直接方法。
特征匹配
基于特征的方法是目前VO的主流方式。對于兩幅圖像，首先提取圖像中的特征，然后根據兩幅圖的特征匹配，計算相機的變換矩陣。最常用的是點特征，例如Harris角點、SIFT、SURF、ORB。如果使用RGBD相機，利用已知深度的特征點，就可以直接估計相機的運動。給定一組特征點以及它們之間的配對關系，求解相機的姿態，該問題被稱為PnP問題（Perspective-N-Point）。PnP可以用非線性優化來求解，得到兩個幀之間的位置關系。
不使用特征進行VO的方法稱為直接法。它直接把圖像中所有像素寫進一個位姿估計方程，求出幀間相對運動。例如，在RGBDSLAM中，可以用ICP（IterativeClosestPoint，迭代最近鄰）求解兩個點云之間的變換矩陣。對于單目SLAM，我們可以匹配兩個圖像間的像素，或者像圖像與一個全局的模型相匹配。直接法的典型例子是SVO和LSD-SLAM。它們在單目SLAM中使用直接法，取得了較好的效果。目前看來，直接法比特征VO需要更多的計算量，而且對相機的圖像采集速率也有較高的要求。
SLAM框架之后端
在VO估計幀間運動之后，理論上就可以得到機器人的軌跡了。然而視覺里程計和普通的里程計一樣，存在累積誤差的問題（Drift）。直觀地說，在t1和t2時刻，估計的轉角比真實轉角少1度，那么之后的軌跡就全部少掉了這1度。時間一長，建出的房間可能由方形變成了多邊形，估計出的軌跡亦會有嚴重的漂移。所以在SLAM中，還會把幀間相對運動放到一個稱之為后端的程序中進行加工處理。
早期的SLAM后端使用濾波器方式。由于那時還未形成前后端的概念，有時人們也稱研究濾波器的工作為研究SLAM。SLAM最早的提出者R.Smith等人就把SLAM建構成了一個EKF（ExtendedKalmanFilter，擴展卡爾曼濾波）問題。他們按照EKF的形式，把SLAM寫成了一個運動方程和觀測方式，以最小化這兩個方程中的噪聲項為目的，使用典型的濾波器思路來解決SLAM問題。
當一個幀到達時，我們能（通過碼盤或IMU）測出該幀與上一幀的相對運動，但是存在噪聲，是為運動方程。同時，通過傳感器對路標的觀測，我們測出了機器人與路標間的位姿關系，同樣也帶有噪聲，是為觀測方程。通過這兩者信息，我們可以預測出機器人在當前時刻的位置。同樣，根據以往記錄的路標點，我們又能計算出一個卡爾曼增益，以補償噪聲的影響。于是，對當前幀和路標的估計，即是這個預測與更新的不斷迭代的過程。
21世紀之后，SLAM研究者開始借鑒SfM（StructurefromMotion）問題中的方法，把捆集優化（BundleAdjustment）引入到SLAM中來。優化方法和濾波器方法有根本上的不同。它并不是一個迭代的過程，而是考慮過去所有幀中的信息。通過優化，把誤差平均分到每一次觀測當中。在SLAM中的BundleAdjustment常常以圖的形式給出，所以研究者亦稱之為圖優化方法（GraphOptimization）。圖優化可以直觀地表示優化問題，可利用稀疏代數進行快速的求解，表達回環也十分的方便，因而成為現今視覺SLAM中主流的優化方法。