BundleFusion学习笔记(1)：概述

1. 前言

传统SLAM的任务基本可以分为两类：定位与建图。

定位任务重在计算相机位姿，得到的是稀疏的点云结果，目前比较好的有ORBSLAM和。

建图任务重在建出完整的模型，目前比较好的就是这个2016年的BundleFusion。

2. 笔记内容

本系列文章主要记录的内容有：

1. 概述
2. 主要算法(1)——位姿求解
3. 主要算法(2)——模型重建
4. 原作者近年其他相关工作(1)——大型室内3D数据集：MatterPort3D
5. 原作者近年其他相关工作(2)——基于深度学习的模型补全：SGNN
6. 原作者近年其他相关工作(3)——对简易的3D scan进行模型重建：tsdf-fusion
7. BundleFusion(Win)使用&踩坑记录
8. BundleFusion(Ubuntu)使用&踩坑记录

3. 简单介绍

3.1 一些性质

输入：rgbd数据（最好用连续帧）
输出：mesh模型

优点：重建模型精细度高、稳定的位姿计算、达到同步更新的计算速度、支持断点续建
缺点：因为具有断点续建的稳定性，所以很吃内存，大场景下对硬件要求较高。

适合场景：室内小场景

3.2 项目信息

BundleFusion官网中给出了一些示例数据集，质量不错（记得翻墙）

BundleFusion的官方github代码是基于Win VS的，不过也有自由开发者实现了在Linux中的版本，使用的踩坑见后续笔记。

3.3 相关内容

BundleFusion的主要作者：Matthias Niessner和Angela Dai在立体视觉领域做了很多工作，他们近十年的论文中有一条线就是围绕Volumetric Fusion进行的。这条技术线上发的论文感觉已经快把这个领域的坑都占满了。

这里再做一张技术路线的图片或者上次的那个表格。

本系列也会提到一些相关的论文或者算法，对BundleFusion领域的pipeline进行补充。

其他导引

有关重建任务，后续的简化和补全也有一些很好的算法，有兴趣请访问：

1. 基于平面结构的模型面片简化——plane-rgbd-opt学习笔记
2. 传统方法中模型简化与补全算法之王——PoissonReconstruction泊松重建学习笔记