weixin_44682965的博客

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

Abstract本文介绍了ORB-SLAM，这是一种基于特征的单目SLAM系统，可在大小型室内外环境中实时运行。该系统对严重的运动模糊具有鲁棒性，可实现较宽的基线回环和重定位，并包括全自动的初始化。我们基于近年来的出色算法，从头开始设计了一个新颖的系统，该系统对所有SLAM任务使用相同的特征 ：跟踪，映射，重定位和回环。利用优胜劣汰的策略选择关键帧和点，从而有出色的鲁棒性，并生成了紧凑的跟踪地图，该地图仅在场景内容发生变化时才会增长，从而实现持续运行。我们提供了来自最受欢迎数据集的27个序列的详尽评估。与

Abstract由相机和低成本惯性测量单元（IMU）组成的单目视觉惯性系统：VINS，是度量六自由度（DOF）状态估计的最小传感器组件。然而，不能直接测量距离，在IMU处理，估计器初始化，外部校准和非线性优化方面带来了重大挑战。在这项工作中，我们介绍了VINSMono：一种功能强大且用途广泛的单目视惯状态估计器。我们的方法从用于估计器初始化和失败恢复的robust的过程开始。是一种紧耦合的，基于非线性优化的方法，通过融合IMU预积分值和特征观测值来获得高精度的视惯里程计。环路检测模块与紧耦合的公式相.

AbstractORB-SLAM2 适用于单目，双目和RGB-D相机，包括闭环、重定位等功能，可用于室内环境、工业环境、飞行的无人机、行驶的汽车等Introduction单目相机：无法观察到深度信息，因此地图的比例和估计的轨迹是未知的。并且 system bootstrapping 需要多视图或过滤技术来生成初始地图（无法从第一帧开始triangulation）。另外，单目SLAM可能会发生 scale drift，而且过程中进行纯旋转可能会估计失败。这些问题可以通过使用双目或RGB-D摄像机解决

PoseNet: A Convolutional Network for Real-Time 6-DOF Camera Relocalization论文总结1.Introduction几个例子：top：原图middle：根据预测的相机pose重建的图bottom：原图和重建的图重合The algorithm is simple in the fact that it consists of a convolutional neural network(convnet) trained end