DepthPano-TOG2020 学习整理（二）——有关因子图部分的理解

DepthPano-TOG2020 学习整理（二）——有关因子图部分的理解

下面我将对上述因子图中的变量以及因子关系做一个简单的讲解。

这一部分是论文中两大步骤之一全景图重建的第一步——consistency regularization for panoramic scanning.

       论文作者通过同轴旋转的特性来解决旋转轴和poses of frames的难题。由于所有摄像机和轴都构成一个固定的物体并在扫描过程中一起移动，因此可以使用统一的物理模型和外部模型来描述它们的运动。特别是对于这种in-place旋转的方式，一旦解决了轴与多个摄像机之间的外部问题，就可以仅通过1-DoF将这些摄像机的状态参数化为旋转器的方位角。如上图左半部分所示，旋转轴和这些摄像机之间的边缘使摄像机运动得以正则化（如右下角的灰色圆圈所示），其中将方位角视为其参考点。这使得能够共同解决非同步摄像机的运动，而无需进行有效的地标共同观测。
       为了表述此功能，作者选择使用因子图框架的方式，因为它具有处理各种类型约束的多元优化的灵活性。因子图表示为G=(X,F,E),即变量节点X在因子F的约束下通过对应关系E求解。

变量

①yi

the global position of landmark i

②Xci = {Tci, αci} 增强姿态表示 for frame i from camera c

Tci：传统6-DOF姿态表示 表示参考帧（the first received frame）denotes the pose of the frame i from camera c(作为reference frame).
αci：the proposed azimuth(方位角)

③Tu 传感器（即深度相机）与旋转轴之间的安装偏差

denotes the pose of the ratation pole(也是作为reference frame)

④Tc 其他相机与参考相机（输出参考帧的相机）之间的extrinsics

代表参考相机坐标系下的相机c的6-DOF pose

因子

① traditional landmark observation factors

建立了 frame poses and landmarks之间的关系。

以下是对这一公式的讲解与理解

②pose regularization factors

调整相机运动使其与水平旋转一致，并且估计旋转轴姿势。

以下是对这一公式的讲解与理解

③smoothness factors

限制连续帧间角速度一致（促使角速度均匀性）

以下是对这一公式的讲解与理解

Optimization with robust kernels

选用g2o作为解决这些优化问题的框架