BundleFusion_Ubuntu

作者成功移植并开源了BundleFusion_Ubuntu,适用于房间等小场景的三维重建,相较于Orbslam2,在同一地点重复运动时表现更佳。项目地址:https://github.com/nonlinear1/BundleFusion_Ubuntu_V0,欢迎测试并提供反馈。

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

      我自己移植的BundleFusion_Ubuntu已经开源了,欢迎大家去测试,https://github.com/nonlinear1/BundleFusion_Ubuntu_V0,同时别忘给我点个星呀

      由于自己的电脑问题,和github对于文件大小的限制,本来打算给大家一个下载就能用的软件,目前还是达不到,需要大家耐心一点自己配准一下。

     未来有时间我会把画面加上,也许会加一些新功能,到时候再发一版。顺便提一下,其实这个bundlefusion给出适合企业用户,因为不差钱啊,如果有两块特斯拉32G显存的显卡,我感觉没有卡顿的,而且,bundlefusion比普通orbslam2那种回环方式要好很多,对于反复在一个地方运动这种情况,orbslam2肯定不行,误差很大,bundlefusion没有问题。对于大场景来说,回环是有价值的,orbslam2有价值,但是对于房间啊啥的重建,bundlefusion更好,自己的看法

实时全局一致的3D重建,使用动态表面重新整合技术实时,高品质,大尺寸场景的3D扫描是混合现实和机器人应用的关键。然而,可扩展性带来了姿态估计漂移的挑战,在累积模型中引入了显着的错误。方法通常需要几个小时的离线处理来全局纠正模型错误。最近的在线方法证明了令人信服的结果,但遭受以下缺点:(1)需要几分钟的时间才能执行在线修正,影响了真正的实时使用; (2)脆弱的帧到帧(或帧到模型)姿态估计导致许多跟踪失败;或(3)仅支持非结构化的基于点的表示,这限制了扫描质量和适用性。我们通过一个新颖的,实时的端对端重建框架来系统地解决这些问题。其核心是强大的姿态估计策略,通过考虑具有高效分层方法的RGB-D输入的完整历史,针对全局摄像机姿态优化每帧。我们消除了对时间跟踪的严重依赖,并且不断地将其定位到全局优化的帧。我们提出了一个可并行化的优化框架,它采用基于稀疏特征和密集几何和光度匹配的对应关系。我们的方法估计全局最优化(即,束调整的姿势)实时,支持从总跟踪故障(即重新定位)恢复的鲁棒跟踪,并实时重新估计3D模型以确保全局一致性;都在一个框架内。我们优于最先进的在线系统,质量与离线方法相同,但速度和扫描速度前所未有。我们的框架导致尽可能简单的扫描,使用方便和高质量的结果。
评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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