01

概述

最近在研究TANDEM算法，是一个实时单目追踪和稠密建图的算法框架。TANDEM的算法框架可以概括为如下的几个部分：

1、位姿计算----在关键帧实施基于滑窗的像素级集束优化；

2、追踪前端----实施直接稠密图片配准，基于全局模型得到的深度图；

3、CVA-MVSNet----使用全部关键帧来预测稠密深度图；

4、全局地图----使用预测的深度图融合成全局地图，表示为TSDF体素表格。

TANDEM的整体架构图如下所示：

02

模块介绍

相关工作这里就不赘述了，主要涵盖了三维重建、RGB-D SLAM和单目SLAM三个方向的方法介绍和一般流程。这里，我们直接给出TANDEM算法框架中几个关键组件的介绍，也即是单目视觉里程计、使用CVA-MVSNet进行稠密深度估计和体素建图。

2.1单目视觉里程计

最近的一些方法，例如：DSO、ORB-SLAM，都是在多帧图像中使用一组稀疏点来追踪，最后计算出相机的位姿。虽然，使用更多的点来联合优化可以带来性能方面的优化，但是这回造成运行时间的显著提高。因此，在TANDEM中提出的视觉里程计，借鉴了DSO中所描述的----直接稀疏窗口优化后端。但是，TANDEM中还用了全局的TSDF模型来获取稠密深度图，这个深度图主要是用在前端的直接图像配准。

简单总结，TANDEM使用了稠密追踪前端和稀疏后端优化相结合的方式来提高追踪性能。

2.2稠密前端追踪

TANDEM前端的特点：

• 提供实时相机帧频的追踪

• 作为后端窗口优化的初始化输入

• 实现前端稠密点追踪（相较于DSO而言）

DSO的前端做法是，一张新的输入帧，基于过去n个关键帧来实施直接配准，而这n帧构建了一个稀疏深度图   ，这个深度图是由优化窗口中所有的点生成而来的。DSO的做法是得到一个稀疏深度图，所以鲁棒性较差。

TANDEM的做法是，构建一个稠密深度图---- ，来自于构建的TSDF模型。具体做法是，对于当前关键帧的每个像素，我们都给它们赋予一个深度值，这个深度值来自于DSO中稀疏VO点深度图，或者就是来自于稠密深度图。这样做的好处，就是相对而言，前端配准是，是稠密追踪实现的。

2.3CVA-MVSNet

首先，可以给出一个简单的分析，CVA-MVSNet就是一个输入是关键帧，输出是对应长宽的深度图（注意，这里输出是一维的），中间使用到具体的模型为U-Net和3DU-Net，这样一说的话，就很好理解这一块的架构。

那么，我们给出输入关键帧的定义---- ，这里   表示的是尺度为的图像，而  就是由前端的视觉里程计计算出来的全局位姿。

CVA-MVSNet的突出点----克服了深度MVS消耗大量内存的问题，简单来说，就是通过多级层次结构实现的，同时还使用了一个自适应的可视增强模块。具体的CVA-MVSNet的模型架构图如下所示：

2.3.1单阶段深度计算

因为CVA-MVSNet使用了多阶段的方式来解决了内存损耗的问题，并且不同阶段之间大同小异，因此我们选取一个阶段进行详细分析，然后就可以熟知整个网络模型的作用和功能。

在分析之前，我们先给出模型输入和输出的一些变量的定义。

首先输入的原始图像就是我们获得关键帧的特征信息---- ,这里是从关键帧图像直接通过2D U-Net计算得到的特征信息，需要注意的是，特征信息的下标i表示特征信息的空间维度，而s的范围在1和3之间，表示的是尺度信息，这也体现了不同层次的论文思想。那么，我们可以用一个三维向量来表示 为 ，其中 表示为尺度因子为s的特征维度， ，。

接着就是，由 经过文中可微Warp操作，为3D U-Net提供输入数据----，具体的操作如下：

• 一般的MVS方法将不同的视图平等看待，然后使用基于差异的计算指标：，其中，，

• 本文中，基于滑窗SLAM的设置，关键帧在优化窗口中并不是均匀分布的，新关键帧一般要比旧关键帧的距离小，因此本文优化后的自适应视觉增强方法为：

  

  。

• 为参考帧的每个像素定义一个深度假设向量----；

• 对于每帧获得到的深度特征，通过可微的warp操作，这步操作同样使用到深度假设、相对位姿和相机内参；

• 经过上面两步操作，为每帧计算一个特征卷。

• 为了增强多视几何图特征卷，并最终得到，这一步又分为传统方法和本文的改进方法：

03

数据集和结果

1、训练集

本文训练了两个CVA-MVSNet的模型：一个使用实际的ScanNet数据集、另一个使用拟合数据集Replica数据集，一些结果如下图所示：

对于不可见的序列，本文的训练结果如下图所示：

2、测试集

本文中使用了ICL-NUIM数据集和EuRoc数据集中的Vicon室内序列来评估稠密3D重建和追踪的结果。具体的一些结果如下：

04

结论

TANDEM是一个实时稠密单目SLAM系统，使用了直接像素里程计和多视图几何。尤其提出了CVA-MVSNet使用整个关键帧窗口，预测高质量的深度图；然后提出稠密追踪模式连接相机位姿估计和稠密3D重建，针对于TSDF融合创建的全局3D模型。结果表明，TANDEM获得更好的性能。

本文，我们对TANDEM论文进行了简单的讲解和分析，后续系列我们进一步深入分析论文的细节，以及后面的代码讲解分析。