DoubleFusion实现的关键要点

ShapePoseOptimizer是一切的基石 

          也即一个好的NodeGraph，不重叠，好的NodeGraph可以生成好的KNN。实际中可以采取顶点数从1000到击200个点都可以用于表达人体的局部旋转场，比如下图是由998个点，

NodeGraph构成HesssianReg，并且会决定最终系统矩阵的条件数

   

    

NodeGraph 节点图在腿部不是很好可以额外加一个顶点  

       updateTwist时候注意采用严格的se3，虽然在旋转和平移都比较小的时候，se3中的与平移项近似相同，但是在旋转项较大时候就不同了，需要用准确的SE3变换，其中平移项计算公式如下： 。

       

       如果增大时候，左雅克比矩阵会变小，导致对应平移项减少或者产生改变，改变本来的移动位置，提高系统的稳定性。 

 

 

从smpl生成NodeGraph和NodeGraph计算各种项能量的公式如图所示： 

 

 

            

此时条件数大约为10^7.3253;

 

而正常情况下，如果全身1:5:end 的顶点只取五分之一，均匀分布，则最终的系统矩阵的条件数大约为10^5.6857

    

条件数为 10^5.6857

如果这时候采用6*6的block来求解系统方程： 

      

                  6*6block                                                    3*3block 

论速度还是6*6更快，但是3*3的收敛比较平稳。 

 

如果条件数过大时候，会出现求解不稳定的情况！！！！！！！！！！！！尤其是6*6block时候。 

 

如果条件数低于特定值时候，对角线可以求解出来，

 

          ShapePoseOptimization是关键，一个坏的形状估计和初始姿态估计会影响后续的fusion，可能造成一些身体的变形，但是其实影响没有想象中的那么大，只要两腿不要估计

 

       SMPL人体模板的关节链求解采用线性化最好的方式来做；（这一点没有严格证明过）。 

        就是于涛在bodyfusio上提出来的Taylor展开形式。扰动法或是求导法的效果都要差一些。

         DBQ/Fusionn等等各个环节都不能有问题

       

       每个关节点的twist都应该单独提取出公共旋转和平移，这样对于Reg矩阵有帮助，可以降低整体Hessian矩阵的条件数，提高数值求解的稳定性和精度，提取出来的方式从L1 reg那篇文章看，应该是在CPU上进行的。 

        Reg项的数值大小、鲁棒惩罚函数的参数等都是实现的要点。 

高效运行的要点：

         此外对于整体的实现来说： GPU、CPU混合程序并不比纯GPU弱，因为有很多操作很难并行，或者并行的收益不大，比如链式求导之类的，尤其是数据量不大，并不适合GPU做，可以在CPU算完拷贝到GPU上面。 

         此外高效算法的基石是稀疏化，比如Fusion时候是Hash，TSDF是Hash表示，系统矩阵是CSR表示，这样可以最高效的实现Fusion和warpField的求解之类的操作。 可以提高10倍左右的速度。 

 

          将公共旋转平移提取出来应该也可以极大地提高求解的效率，比如减少GS迭代次数之类的。 

 

可以参考

https://github.com/chenguowen/NodeGraphMake-NodeGraph 

https://github.com/chenguowen/HessianTest-NodeGraphConditionNumber

这是两个文件