SfM及BA优化论文列表

最新推荐文章于 2025-05-09 14:41:20 发布
原创 最新推荐文章于 2025-05-09 14:41:20 发布 · 1k 阅读 · 7 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

这篇内容列举了关于Bundle Adjustment（BA）和Structure from Motion（SfM）的精选论文，包括增量SfM、全局SfM、层次SfM以及混合SfM的相关研究，涉及分布式优化、大规模3D重建和旋转平均等主题。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

论文列表梳理

1.BA优化

(1)A Consensus-Based Framework for Distributed Bundle Adjustment(2016,cited15)

(2)bundle adjustment in the large(2010,cited308)

(3)Discrete-Continuous Optimization for Large-Scale Structure from Motion(CVPR,2011,cited275)

(4)Distributed Bundle Adjustment(2017,cited4)

(5)Distributed Very Large Scale Bundle Adjustment by Global Camera Consensus(ICCV,2017,cited9)

(6)Out-of-Core Bundle Adjustment for Large-Scale 3D Reconstruction(2007,cited142)

(7)Practical Time Bundle Adjustment for 3D reconstruction on the gpu(2010,cited22)

(8)Pseudoconvex Proximal Splitting for L∞ Problems in Multiview Geometry(2014,cited11)

(9)针对大规模点集三维重建问题的分布式捆绑调整方法

最低0.47元/天 解锁文章

200万优质内容无限畅学
珈若
关注
增量式SfM详细流程介绍及实现方法
zeeq的博客
12-12 2万+
目前主流的SfM（Structure from Motion，运动结构恢复）可以分为两大类型，一种是全局式的，一种是增量式的。全局式sfm能够一次性得出所有的相机姿态和场景点结构。它通常先求得所有相机的位姿，然后再通过三角化获得场景点。其效率较高，但是其鲁棒性差，很容易受到outlier的影响而导致重建失败。增量式sfm则是一边三角化（triangulation）和pnp（perspective-n-points），一边进行局部BA。这类方法在每次添加图像后都要进行一次BA，效率较低，而且由于误差累积，容易
2021年ICCV论文Deep Permutation Equivariant Structure from Motion论文阅读笔记
zeeq的博客
12-04 1511
现有的深度方法在立体和多视图立体中产生高精度的三维重建，即，当相机进行内部和外部校准时。然而，在具有深度网络的多视图环境中，同时恢复相机姿态和三维场景结构的挑战仍然很突出。受运动恢复结构（SfM）的投影因子分解和深度矩阵完成技术的启发，我们提出了一种新的网络体系结构，在给定静态场景多幅图像中的一组点轨迹的情况下，通过最小化无监督重投影损失来恢复相机参数和（稀疏）场景结构。我们的网络架构是为了尊重问题的结构而设计的：所寻求的输出与摄像机和场景点的排列相同。值得注意的是，我们的方法不需要摄像机参数或3D点位置的
【SLAM】SfM论文推荐（ICCV,CVPR,ECCV等）Structure from Motion
王博（Kings）的博客
07-27 5192
文章目录SfM 相关文献增量式SfM：全局式SfM：混合式SfM： SfM 相关文献 增量式SfM： N. Snavely, et al. Modeling the World from Internet Photo Collections. IJCV 2007. P. Moulon, et al. Adaptive Structure from Motion with a contrario ...
SFM相关论文、软件、数据集整理
Z5122的博客
11-24 4492
最近在写关于智慧城市的结课论文，整理了SFM相关的部分论文，汇总如下： SFM定义： 运动结构恢复(Structure from motion)，即给出多幅图像及其图像特征的一个稀疏对应集合，估计3D点的位置，这个求解过程通常涉及3D几何（结构）和摄像机姿态（运动）的同时估计，计算机视觉研究内容之一。 三种策略： 增量式： 1）论文 [1] Agarwal S, Snavely N, Simon...
SfM三维重建：BA优化【VS2015+OpenCV3.4+PCL1.8+Ceres Solver】
03-15
使用BA优化对SfM三维重建的结果进行非线性优化，环境：VS2015+OpenCV3.4+PCL1.8+Ceres Solver，包含两张图、多张图BA优化代码及images文件。
SFM中的Bundle Adjustment（BA）
Adam_DOGG的博客
07-19 1740
SFM中的Bundle Adjustment（BA）1、BA的概括2、BA的理论原理2.1 旋转矩阵，旋转向量2.3 非线性优化2.4 李群李代数 1、BA的概括 BA的目的是最小化重投影误差，他在SFM中担任的角色是：优化初步预测的参数。 优化体现在： ①他的目标是最小化重投影误差，需要用数值方法计算极值，涉及到牛顿法 或 LM法 等迭代方法。 ②他优化的参数是R,tR,tR,t（相机的外参数）。在BA优化前，R,tR,tR,t已被DLT算法预测，接下来BA通过重投影误差的最小化反过来调整已经预测好的R,
SfM三维点云重建：BA优化--【VS2015+OpenCV3.4+PCL1.8】
青箬笠，绿蓑衣
03-15 3700
概述 在SfM多视图三维点云重建–【VS2015+OpenCV3.4+PCL1.8】中实现的增量式SfM三维点云重建，会随着图片数量的增加而导致误差逐渐累积，最后可能无法完成重建。在三维重建中常使用Bundle Adjustment（BA）优化来解决这个问题，BA优化是一种应用广泛的非线性优化方法，其本质属于非线性最小二乘问题，目的是找到使得重投影误差最小的3D点位置和相机参数。这里对BA原理就不...
VINS-Mono工程笔记（八）：纯视觉SFM及视觉IMU对齐
zoufeizhiba的博客
12-20 1357
纯视觉SFM及视觉IMU对齐
2019年ICLR论文BA-NET: DENSE BUNDLE ADJUSTMENT NETWORKS论文阅读笔记
zeeq的博客
10-01 4295
1 概述   论文介绍了一种通过特征度量BA（bundle adjustment）来解决运动恢复结构（SfM）问题的网络体系结构，它以特征度量误差的形式明确地强制多视图几何约束。整个流程是可微的，因此网络可以学习到使BA问题更易于处理的合适特征。此外，这项工作引入了一种新的深度参数化来恢复密集的逐像素深度。该网络首先根据输入图像生成若干个基础深度图，并通过特征度量BA将最终深度优化为这些基础深度图的线性组合。基础深度图生成器也可以进行端到端的训练。整个系统将领域知识（即硬编码的多视图几何约束）和深度学习（即
SfM三维重建BA优化教程与代码：提升三维重建精度的利器
最新发布
gitblog_06758的博客
05-09 590
SfM三维重建BA优化教程与代码：提升三维重建精度的利器 去发现同类优质开源项目:https://gitcode.com/ 项目介绍 在三维重建领域，BA（Bundle Adjustment）优化是提高SfM（Structure from Motion）重建结果精度的重要技术。本项目提供了详细的BA优化教程和代码，帮助开发者深入理解并运用BA优化技术，以获得更精准的相机位姿和三维点坐标。 项目技术...
Dhond经典SfM综述文献-1989
01-09
Dhond-Struct from Stereo-A Review-1989
SfM三维重建：BA优化教程与代码
gitblog_06751的博客
05-05 275
SfM三维重建：BA优化教程与代码 去发现同类优质开源项目:https://gitcode.com/ 本文档包含了使用BA（Bundle Adjustment）优化SfM（Structure from Motion）三维重建结果的完整教程和代码。BA优化是摄影测量学中的一种重要技术，用于提高三维重建的精度和鲁棒性。 简介 本教程使用的开发环境为：Visual Studio 2015，OpenCV ...
基于SfM的视点云重建：优化BA算法
bug_api163的博客
09-14 296
在SfM流程中，三维点云估计是一个核心环节，其目标是从图像序列中估计出场景中的三维点坐标。在这些步骤中，特征提取和匹配用于寻找图像中的关键点和对应关系，相机姿态估计用于确定摄像机在场景中的位置和方向，而三维点云估计则用于恢复场景中的三维结构。Bundle Adjustment（BA）是一种通过最小化重投影误差来优化相机位姿和三维点云的方法。BA算法的基本思想是通过最小化图像投影点与对应重建点之间的重投影误差来调整相机和点云的位置。通过优化相机位姿和三维点云坐标，BA算法能够提高重建精度。
《论文阅读》DeepSFM: Structure From Motion Via Deep Bundle Adjustment
未知丶的博客
11-29 1012
1.框架构造的方式就是按BA那样进行的设计，加入了光度一致性（目标特征图和转换后的源特征图的一致性）、几何一致性（深度图一致性）和相机约束（初始化一个pose，然后迭代更新）2.一个很有趣的采样方式，可以让它在初始值不太理想的情况下进行空间采样，获得更多值的可能，但其实这种方式应该也只是在局部进行小改动，而且感觉会有点影响时间复杂性。
猿创征文｜SfM（Structure from Motion）学习之路
zeeq的博客
08-29 9500
SfM全称Structure from Motion，译为运动恢复结构，是三维重建pipeline的一部分，又称稀疏重建，在摄影测量领域则称为空三（空中三角测量）。SfM的任务是，给定一系列具有一定重叠度的图像，去同时估计出拍摄每张图像时相机的的位姿（位置t和姿态R）和被拍摄物体或场景的稀疏点云。...............
【论文精读】SfMLearner——《Unsupervised Learning of Depth and Ego-Motion from Video》
weixin_53215555的博客
10-06 3315
SFMlearner
COLMAP论文阅读笔记——sfm算法、不定期更新
hiccupfrost的博客
03-12 7156
文章目录structure from motion revisited第一步 对应点搜索特征提取feature extraction匹配matching几何验证geometric verification增量式重建初始化图像配准三角剖分triangulationBA面临的挑战贡献场景图增强 structure from motion revisited Sfm是对三维重建算法的统称，incremental sfm则表示他是增量式的，在鲁棒性准确性方面有巨大进步；但是灵活性、完整 性以及可伸缩性仍然是打破
BA-NET论文总结
weixin_44682965的博客
01-04 876
摘要 输入图像–>基本深度图(end to end) 深度图+BA优化–>基础深度图线性叠加 1.介绍 几乎所有的SfM算法用BA优化场景结构和摄像机运动：LM最小化几何误差或光度误差 深度学习技术解决SfM 学习前馈多层感知器（MLP）预测LM算法中的阻尼因子 BA层最小化CNN特征图之间的距离，输入CNN特征图，优化场景结构和摄像机运动 标准的编码器-解码器（可以联合训练整个网络）：任意输入图像生成一组基础深度图，并将结果深度图表示为这些基础深度图的线性组合 编码器-解码器系数在BA层中与相
一起自学SLAM算法：7.6 SFM、BA和SLAM比较
机器人研究猿-优快云
01-21 718
连载文章，长期更新，欢迎关注：SFM、BA和SLAM是在不同研究领域所讨论的问题，由于经常会遇到并且初学者比较容易混淆，这里就拿出来说明一下。SFM（structure from motion，运动重建）是计算机视觉领域的概念，通过收集到的无序图片进行离线三维重建，可以理解为多个图片的拼接。SFM一般使用在比较大的范围，比如构建一个城市的百度地图。SFM具有两个鲜明的特点，一个特点是输入算法的图片是无序的，另一个特点是重建过程离线进行对实时性没有要求。
基于BA优化的SfM三维重建技术研究
在介绍“SfM三维重建：BA优化【VS2015+OpenCV3.4+PCL1.8+Ceres Solver】”相关知识点之前，首先需要了解SfM（Structure from Motion）三维重建技术的基本概念。SfM是一种从多角度图片中恢复出场景三维结构的技术，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值