slam_fusion——关键帧融合的稠密slam结果对比

最新推荐文章于 2024-07-12 22:17:11 发布
最新推荐文章于 2024-07-12 22:17:11 发布
阅读量1.3k 收藏 1
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/uranus_guan/article/details/83478819
版权

采用tsdf-fusion提供的数据集，用slam_fusion(参考我前面的博客)分别做三组不同数目的帧融合，帧数分别为：全部50帧，每隔10帧，第一帧与最后一帧，结论是全部50帧与每隔10帧融合效果差不多，采用第一帧与最后一帧融合出现重影问题，结果如下图，左上是全部帧融合，右上是每隔10帧融合，下面的是第一帧与最后一帧融合，值得注意的是，虽然融合的后点云文件大小不一样，但是文件最大的是等间隔融合的，其次是全部帧融合，最小的是第一帧与最后一帧：

BundleAdjustment
关注
Go！最新NeRF和SLAM结合开源方案！超越NICE-SLAM和DROID-SLAM！
3D视觉工坊
09-11 876
作者：泡椒味的口香糖 | 来源：3D视觉工坊在公众号「3D视觉工坊」后台，回复「原论文」即可获取论文pdf和代码。添加微信：dddvisiona，备注：SLAM，拉你入群。文末附行业细分群。0. 笔者个人体会NeRF这两年真的是火出天际，ICCV 2023有非常多的NeRF文章，有优化速度精度的，也有动态环境这样的特殊场景NeRF。但NeRF和SLAM结合还是一个很新兴的方向，首先实时性难以保证，...
一文搞懂神经隐式SLAM方法
3D视觉工坊
01-29 563
分享嘉宾 | 朱紫涵文稿整理 |William文稿来源|深蓝AI嘉宾介绍相关工作(TSDF-Fusion, DI-Fusion)首先介绍一下这个TSDF-Fusion，这个是一种非常经典的显示表达，最早于1996年提出。它是在每一个voxtel里面都会存TSDF值，也可以存颜色值。存储的是在一个很密集的一个个网格中，其保存的几何清晰程度与网格的分辨率相关。如果我们想得到一个比较好的结果，即不...
ORB_SLAM2稠密点云构建.rar
06-17
readme链接：https://blog.csdn.net/qq_34289112/article/details/92561229
【SLAM】关键帧和跟踪时新帧的位姿初始化
最新发布
qq_46277596的博客
07-12 397
词袋模型中非常重要的概念，和它对应的操作叫做直接索引。倒排索引是以单词为索引，存储有单词出现的所有图像的ID及对应权重，优势是可快速查询某个单词出现在哪些图像中，进而得到那些图像有多少共有单词。：输入为世界坐标系下的n个3D点、n个3D点在图像上的2D坐标、K，输出相机位姿。使关键帧具有代表性，就涉及到选择。主要是从自身和与其他关键帧的关系来考量。使用关键帧可以减少冗余度，提高计算效率，保证图像质量。：以图像为索引，存储每张图像的特征及该特征所在的节点ID。自身：特征点/有效点足够多，图片质量足够好。
帧融合的功能（慢镜头的制作）
lijiatong1005的专栏
08-21 5629
转自：http://mc2109.blog.163.com/blog/static/253694620087217213706/ 帧融合的功能（慢镜头的制作）   2008-08-21 19:02:13|  分类： AE学习记录|字号 订阅 AE里的帧融合一直不觉得好，就是简单的帧与帧之间的叠画。前些天看了一个教程，发现这个帧融合还有两种算法，一个是叠
视觉slam中的一种单目稠密建图方法
sky的博客
07-23 5267
之所以只讲单目的稠密建图，这是因为，首先，对于RGBD图，我们已知所有点的深度，可以直接生成稠密的点云。其次，对于稀疏地图，其实很多VO中已经完成了稀疏地图的构建，但是稀疏地图只能用于定位，不能用于导航避障之类的工作。所以很多slam系统中会额外进行稠密地图、甚至语义地图的构建。 单目稠密建图 通常在单目VO中，我们通过特征点匹配与三角测量可以获得稀疏地图点的深度，现在我们想要建立稠密的地图，这意味着我们需要获得图片中所有像素点的深度。那么首先我们需要做的一点就是确定第一幅图的某个像素出现在其.
【ORB-SLAM2关键知识点梳理1】关键帧、共视图、扩展树、本质图之间的联系
weixin_46135347的博客
09-08 5731
文章目录前言一、关键帧（KeyFrame）1. 作用、意义2. 选择二、共视图（Covisibility Graph）1. 概念2. 作用3. ORB-SLAM2中的应用场景三、扩展树（Spinning Tree）四、本质图（Essential Graph）1. 特点2. 作用3. 与全局BA相比，本质图的优势五、与上述内容相关的代码 前言 越来越不知道这前言写什么，大家共勉吧。 一、关键帧（KeyFrame） 简而言之：关键帧是几帧普通帧中较具有代表性的一帧。 1. 作用、意义 降低局部相邻关键帧
经典文献阅读之--NICER-SLAM (RGB神经隐式的稠密的SLAM)
lovely_yoshino的博客
07-22 633
我们在图2中提供了NICER-SLAM流程的概述。给定RGB视频作为输入，我们通过端到端优化同时估计准确的三维场景几何形状和颜色，以及相机跟踪。图二显示了NICER-SLAM的系统概述。我们的方法仅采用RGB流作为输入，并输出相机姿态以及用于几何和颜色的学习分层场景表示。为了实现端到端的联合映射和跟踪，我们渲染预测的颜色、深度、法线，并根据输入RGB和单目线索进行优化。此外，我们进一步通过RGB变形损失和光流损失强化几何一致性。我们使用分层神经隐式表示来表示场景的几何形状和外观（第3节）。
orb特征 稠密特征_一种基于ORB-SLAM2的双目三维稠密建图方法技术
weixin_39969611的博客
12-21 746
本发明专利技术公开了一种基于ORB‑SLAM2的双目稠密建图方法，涉及机器人同步定位与地图创建领域，该方法主要由跟踪线程、局部地图线程、闭环检测线程和稠密建图线程组成。其中稠密建图线程包含以下步骤：1)场景深度范围估计，限制立体匹配计算量；2)立体匹配，估计每个像素点的逆深度值；3)帧内平滑、外点剔除，增加逆深度图的稠密度的同时保留深度边界的不连续性；4)逆深度融合，对上一步获得的逆深度进行帧间优...
多种视觉SLAM方案对比
热门推荐
hly453的博客
04-04 2万+
在SLAM研究中，我们通常需要在各数据集上测试各个方案的性能情况。如下主要对表1中6个视觉SLAM方案进行相关测试，测试其在不同场景、要求下的精度和鲁棒性，并给出最终方案选型。 【由于时间、场地等原因，多次引用大神们测试结果，谢谢前人的分享！】 ** 开源SLAM方案选型： ** ** 数据集： ** 一、ORB-SLAM2 检测流程：Kinect生成地图【地图主要可见的有关键帧(包括相机的p...
【nice-slam】Gaussian Splatting SLAM——基于RGB-D类型SLAM的定位与重建（3D-GS）（史上最详细nice-slam资料汇总）
格物致知
12-20 1282
NICE-SLAM一种结合了神经隐式表示和分层场景表示的密集RGB-D SLAM系统。该方法在保持神经隐式表示的表示能力的同时，通过引入分层场景表示来实现可扩展性和效率。具体来说，场景的几何和颜色信息由四个特征网格及其相应的解码器联合编码，这些网格在不同的空间分辨率上进行优化。在测试时，通过最小化重新渲染的损失，只优化当前视锥体内的特征，从而实现高效的局部更新。并在多个具有挑战性的数据集上进行了方法评估，结果表明NICE-SLAM在重建效果好和跟踪质量高。图2。
SLAM单目稠密重建数据集
11-02
将使用 REMODE[113, 109] 的测试数据集。它提供了一架无人机采集 的单目俯视图像，共有 200 张，同时提供了每张图像的真实位姿。 http://rpg.ifi.uzh.ch/datasets/remode_test_data.zip 处下载。 下载慢的可以去本人上传的资源处下载。 解压后，将在 test_-data/Images 中有从 0 至 200 的所有图像，并在 test_data 目录下可以看到一个文本文件，它记录了每张图像对应的位姿。
mesh-fusion:使用TSDF融合获得水密网格的Python工具
05-28
通过TSDF融合实现水密和简化的网格 该存储库包含一个简单的Python管道，用于从.off格式给出的任意三角形网格中获取水密和简化的网格。 该方法主要基于Gernot Riegler的和改编版本。 它还使用 。 如果使用此代码中的任何一个，请确保引用以下内容： @article{Stutz2018ARXIV, author = {David Stutz and Andreas Geiger}, title = {Learning 3D Shape Completion under Weak Supervision}, journal = {CoRR}, volume = {abs/1805.07290}, year = {2018}, url = {http://arxiv.org/abs
动态SLAM论文(8) — DynaSLAM II: Tightly-Coupled Multi-Object Tracking and SLAM
几度春风里的博客
07-07 1134
— 在视觉SLAM算法中，假设场景是刚性的是常见的。然而，这限制了它们在真实环境中的适用性。此外，大多数情况，包括自动驾驶、多机器人协作和增强/虚拟现实，都需要明确的周围运动信息来帮助决策和场景理解。本文介绍了一种名为DynaSLAM II的视觉SLAM系统，用于立体和RGB-D配置，并紧密集成了多目标跟踪能力。DynaSLAM II利用实例语义分割和ORB特征来跟踪动态物体。静态场景的结构和动态物体的结构与摄像机和移动主体的轨迹一起在新颖的束调整提议中进行优化。
CNN-SLAM:学习深度预测的实时稠密单目SLAM
陈泊舟的博客
10-09 3164
文章转自： Abstract： 本文提出了一种利用CNN网络从单目图像直接预测深度图的方案。框架融合了语义标签，因此可以从单目视图生成语义连贯的场景重建。 2.整体框架 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-yWTbZlze-1602214369812)(image-20200920211212480.png)] 1.相机位姿估计： 首先提取出关键帧k1,k2,…,kn∈K，每一个关键帧ki对应一个位姿Tki、一个深度图Dki，以及深度不确定图Uki。稠密的深度图由C
用于自动驾驶的混合稀疏-稠密单目SLAM系统
qq_29462849的博客
07-08 1015
点击上方“计算机视觉工坊”，选择“星标”干货第一时间送达作者丨泡椒味的口香糖来源丨GiantPandaCV0. 引言随着自动驾驶系统的推广，越来越多的应用要求SLAM具备高动态定位以及稠密建图能力。在论文"A Hybrid Sparse-Dense Monocular SLAM System for Autonomous Driving"中，作者提出了一种混合稀疏特征...
slam 单目稠密深度详解
蓝羽飞鸟的博客
04-21 1186
单目计算深度比较复杂，可以用RGB-D相机直接得到深度，但是还是练习一下。 因为是稠密重建，对每个像素都算深度，所以就不是提取特征了。 仅凭一幅图无法估计出深度，要用不同视角下的图像来估计。根据不同视角中同一特征点的不同位置来进行三角测量估计深度， 但是稠密重建是不用特征点的，要对每个像素都进行匹配，怎么匹配呢，用极线搜索和块匹配。 什么是极线搜索，如下（贴一张别人的图）： 首先说神马是极线，相机1中的某像素p1, 它可能的深度是，比如[0.1, 5], 然后p1的像素坐标联合这个深度，形成了俩位置，这俩位
从零完成slam实战，以Vins-Fusion为例
u010196944的博客
10-10 5916
ubuntu20.04 + d435i + vins-fusion，从零完成slam实战
orbslam_ros稠密
10-04
关于orbslam_ros稠密问题，根据提供的引用内容，没有明确提到orbslam_ros的稠密问题。因此，无法为您提供确切的答案。您可以通过查看ORB_SLAM2和orbslam_ros的文档或相关论坛来获取更多关于orbslam_ros稠密的信息。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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