编辑切换为居中

添加图片注释，不超过 140 字（可选）

这篇博客记录了上面这篇论文的学习笔记。

编辑切换为居中

添加图片注释，不超过 140 字（可选）

这个是本文的摘要，一眼开过去就是单目slam当今所遇到的问题，也即挑战场景对单目相机的影响以及单目相机如何解决挑战场景叭。当然单目相机+IMU可能是目前比较普遍的做法。然后又提了一下后端优化，说滤波的方法已经逐渐被淘汰，因为其计算量实在是太大，不过现在的r2live和r3live还是用着滤波的方法，其他slam的话一般就是位姿图或者是因子图来进行后端优化。因子图是个坑。。。千万别跳进去，否则你会体验到一年啥也做不了的摸鱼的快感。

编辑切换为居中

添加图片注释，不超过 140 字（可选）

这句话告诉我们单目SLAM一般有如上几个流程，先是数据关联、然后初始化、位姿估计、图建立、BA优化或者位姿图优化等一系列步骤来实现SLAM。

编辑切换为居中

添加图片注释，不超过 140 字（可选）

数据关联，直接法或者特征点法，说白了数据关联就是在找两帧图像中相同的特征点，也即特征点A在图像帧1和图像帧2中的位置在哪里，然后对应好以后开始做后面的odometry的事情。

直接方法分为密集方法和半密集方法：密集方法利用每个像素的可用信息，而半密集方法利用图像亮度梯度显著的每个像素的信息。图3-A显示了一个直接方法的例子：一个感兴趣的位置（在这种情况下是一个三角形）周围的像素值通过一个变换对齐，该变换使两幅图像中两个感兴趣的位置之间的强度值最小化。在实践中，一个感兴趣的区域被定义为一个围绕着一个像素的正方形。

特征点法：引入了基于特征的方法来降低处理每个像素的计算复杂度；这是通过只匹配显著的图像位置，即特征或关键点。基于特征的匹配的一个例子如图3-B所示。一个描述符与每个特征相关联，用于提供与其他关键点的相似性的定量度量。一方面，特征被期望是独特的，对视点和照明变化不变，以及对模糊和噪声有弹性；另一方面，特征提取器需要计算效率和快速。不幸的是，这些目标很难实现，同时会导致计算速度和特征质量之间的权衡。

与直接和基于特征的方法不同，一些系统，如SVO被认为是混合的，它使用两者的结合来改进相机姿态估计，或生成密集/半密集的地图。一旦选择了一个设计，数据关联就被定义为使用2D-2D、3D-2D或3D-3D对应在不同图像之间建立测量对应的过程。不同类型的数据关联如图3-C所示。（注意，这里数据关联是被定义为不同图像之间建立测量对应的过程，也即是哪个点对应哪个点，到这里就结束了。下面算R和t属于odometry的过程，这里一定要区分开来。）

编辑切换为居中

添加图片注释，不超过 140 字（可选）

这副图就是在说视觉slam14讲上面的内容，建议先把14讲看透了，再来看这张图，你就会发现这上面的内容和14讲上讲的内容是一致的。