史上最全DSO学习资料

点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

DSO（Direct Sparse Odometry）是一种视觉里程计方法。在SLAM领域，DSO属于稀疏直接法，速度和精度超过了当时传统的特征点法。本文整理了网上一些关于DSO的资料，配合相关论文，可以对DSO做由浅入深地学习。

1. 整体介绍

（高翔）DSO详解：https://zhuanlan.zhihu.com/p/29177540

DSO整体上有个大概的了解，比较全面，且没有过多深入细节。 

（贺一家）DSO初探：https://blog.csdn.net/heyijia0327/article/details/53173146

主要从DSO代码的运行上进行了相关的介绍 

2. 零空间与尺度漂移

（古路）SLAM中的零空间问题：https://blog.csdn.net/fb_941219/article/details/100279527简单介绍了客观性与零空间 

（林突破）零空间与尺度漂移：https://blog.csdn.net/xxxlinttp/article/details/100080080

直观上解释了为什么会漂移，以及解决办法 

（无人的回忆）DSO零空间的计算与推导https://blog.csdn.net/wubaobao1993/article/details/105106301/

对上面一些博客的一个整理，内容比较丰富。虽然有些数学部分不是很严格，但第一次看到尝试从数学角度去解释这个问题，很棒。 

3. 滑窗优化，边缘化与FEJ

（无人的回忆）DSO窗口优化：https://blog.csdn.net/wubaobao1993/article/details/104343866

从代码流程上串了一下窗口优化的过程，可以认真读一读 

jinge TU：windowed optimization代码(1)：https://www.cnblogs.com/JingeTU/p/8395046.html

jinge TU：windowed optimization代码(2)：https://www.cnblogs.com/JingeTU/p/8586163.html

jinge TU：windowed optimization代码(3)：https://www.cnblogs.com/JingeTU/p/8586172.html

jinge TU：windowed optimization代码(4)：https://www.cnblogs.com/JingeTU/p/9157620.html

金戈大佬做的滑窗优化部分详细的代码，有数学有代码，非常细致，深入研究时参考。

（贺一家）DSO中的Windowed optimization：https://blog.csdn.net/heyijia0327/article/details/53707261

详细介绍滑窗优化相关技术

（贺一家）SLAM中的marginalization 和 Schur complement：https://blog.csdn.net/heyijia0327/article/details/52822104

介绍了滑窗中边缘化和FEJ相关问题，内容非常全，想深入研究可以参考最后列举的参考文献

知乎关于FEJ的讨论：https://www.zhihu.com/question/52869487/answer/132517493 

4. 光度误差求导

光度误差推导的文章有很多，这两篇推导大同小异，参考一篇即可。

（jinge TU）直接法光度误差倒数推导：https://www.cnblogs.com/JingeTU/p/8203606.html

（林突破）DSO初始化：https://blog.csdn.net/xxxlinttp/article/details/89379785 

5. 其他

（jinge TU）代码框架https://www.cnblogs.com/JingeTU/p/8329780.html

DSO代码简单的流程，说的很清楚了。 

DSO代码阅读：https://x007dwd.github.io/2017/02/28/dso-slam/

上面有些链接附带了部分的代码，这个较为综合 

DSO之光度标定：https://www.cnblogs.com/luyb/p/6077478.html

光度标定的基本内容，个人感觉直接去看文献也比较直观好理解 

参考文献

1. DSO论文：Direct Sparse Odometry

2. 光度标定论文：Online Photometric Calibration of Auto Exposure Video for RealtimeVisual Odometry and SLAM

3. 关键帧优化：Keyframe-Based Visual-Inertial SLAM Using Nonlinear Optimization

4. FEJ一致性，推荐一读：A First-Estimates Jacobian EKF for Improving SLAM Consistency

5. 关键帧与地图点边缘化：Decoupled, Consistent Node Removal and Edge Sparsification forGraph-based SLAM

6. 介绍了边缘化中先验信息转移，推荐一读：Sliding window filter with application to planetary landing

 

后台回复关键字：DSO,即可获得打包好的DSO学习资料。

上述内容，如有侵犯版权，请联系作者，会自行删文。

推荐阅读：

吐血整理|3D视觉系统化学习路线

那些精贵的3D视觉系统学习资源总结（附书籍、网址与视频教程）

超全的3D视觉数据集汇总

大盘点|6D姿态估计算法汇总(上)

大盘点|6D姿态估计算法汇总（下）

机器人抓取汇总|涉及目标检测、分割、姿态识别、抓取点检测、路径规划

汇总|3D点云目标检测算法

汇总|3D人脸重建算法

那些年，我们一起刷过的计算机视觉比赛

总结|深度学习实现缺陷检测

深度学习在3-D环境重建中的应用

汇总|医学图像分析领域论文

大盘点|OCR算法汇总

重磅！3DCVer-知识星球和学术交流群已成立

3D视觉从入门到精通知识星球：针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕，更有各类大厂的算法工程人员进行技术指导，800+的星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

 圈里有高质量教程资料、可答疑解惑、助你高效解决问题

欢迎加入我们公众号读者群一起和同行交流，目前有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流等微信群，请扫描下面微信号加群，备注：”研究方向+学校/公司+昵称“，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。原创投稿也请联系。

▲长按加群或投稿