Blog

最近有几个同学问我光场相机是否能够用在SLAM中，我的第一感觉是不可能。 本人研究生期间一直进行光场相机深度恢复的工作，深知其优势与不足。SLAM是我参加工作以来从事的研究方向，经过两年多的摸爬滚打算是入门了。目前视觉SLAM理论上虽已比较成熟，但在实际使用中仍会遇到诸多问题，如容易受到外界因素如光照/动态物体/稀疏纹理/室外大场景/快速运动等因素的影响，这些问题仅使用传统相机似乎无法有效解决。

近期本人工作中频繁用到跨语言文本读写，本文结合实例介绍使用Matlab/Python/C++读写文件的常规操作，以便后续查阅。

本文介绍2020年CVPR视觉定位挑战赛的冠军方案。接下来会分别介绍什么是视觉定位挑战赛，比赛的难点是什么，冠军方案以及后续展望。

本文是J. L. Sconberger等人于2016年发表在CVPR的文章COLMAP。本文针对增量式SFM中三角化/BA等步骤进行了改进，能够比较明显地提升SFM的精确率/鲁棒性以及重建完整性。

2020年10月6日，接回了mango。小家伙突然来到新的环境有点害怕，躲在角落，一天没有吃饭。过了一天之后就慢慢变好了，该吃吃该喝喝。今天下午，它爬上阳台睡着了，我用手机拍了几张猛兽照。

今天要介绍的文章是边佳旺在CVPR2017以及IJCV2020发表的GMS，论文名是"GMS: Grid-based Motion Statistics for Fast, Ultra-robust Feature Correspondence"。同之前介绍的外点滤除算法AdaLAM的目的相同，该算法能够实现对初始匹配的筛选，以减少错误匹配。

疫情之后好久没有出门走动，最近憋坏了，今天乘地铁去了趟西湖。本来想看看莲花，结果天气实在太热了，拍了两张图片就回来了😂😂😂

AdaLAM的全称是Adaptive Locally-Affine Matching(自适应局部仿射匹配)，本文提出了一种高效快速外点滤除算法。

估计现在有很多同学使用了Hexo博客框架白嫖一套主题并部署在了Github上，这一切看起来很容易上手，于是开开心心地去写博客了，但到后面才发现这才是“苦难”的开始：原本以为是要写博客，但更多的时间是被用来优化网站。因为强迫症患者总是对网站各种不满意，于是自己挖坑又填坑。 本文属于日常折腾篇，尝试用vercel加速博客访问。

论文全称：ORB-SLAM3：An Accurate Open-Source Library for Visual, Visual-Inertial and Multi-Map SLAM. 首先回顾一下历史：ORB-SLAM首次在2015年被提出，它的改进版ORB-SLAM2在2017年被提出，同年提出了ORB-SLAM-VI，时隔3年，ORB-SLAM3横空出世，朋友圈、学术群里到处都在热议

对于经常刷Github的同学而言，是否会经常遇到图片加载不出来/GitHub访问慢等情况？反正我是经常遇到！为了解决这个问题，削微寒公布了解决方案：修改本机hosts，无需安装任何程序。下面是详细说明以及使用方法（修改自项目README）。

译者注：这恐怕是全网有关卡尔曼滤波最简单易懂的解释，如果你认真的读完本文，你将对卡尔曼滤波有一个更加清晰的认识，并且可以手推卡尔曼滤波。原文作者使用了漂亮的图片和颜色来阐明它的原理（读起来并不会因公式多而感到枯燥），所以请勇敢地读下去！

注意：arxiv读音与archive一样，英[ˈɑːkaɪv]，美[ˈɑːrkaɪv] 国内访问论文预发布平台arxiv巨慢无比，让人闹心！网上找了一个很好用的方法，按照这个方法配置之后arxiv就秒开了。原理就是将arxiv重定向到xxx.itp.ac.cn（中科院理论物理研究所镜像）。 如果此时你找到了一篇文章，地址是arxiv.org/abs/1911.11763，只需要把arxiv

从一系列的图像中恢复物体的3D结构是计算机视觉研究中一个热门课题，这使得我们可以相隔万里从google map中看到复活节岛的风景。这得益于图像来自于可控的条件，使得最终的重建效果一致性且质量都很高，但是这却限制了采集设备以及视角。畅想一下，假如我们不使用专业设备，而是利用sfm技术根据互联网上大量的图片重建出这个复杂世界。

ETHZ ASL与Magicleap联名之作，CVPR 2020 Oral，关于基于图神经网络的特征匹配方法

今天讲一篇关于利用SVD方法求解ICP问题的文献《Least-Squares Rigid Motion Using SVD》，这篇文章非常精彩地推导出将3D点对齐问题的解析解，同时总结了求解该问题的统一范式。

SVD分解就是一种矩阵拆解术，它能够把任意矩阵拆解成3个矩阵的乘积形式

PNP即"Perspective-N-Points"，是求解3D到2D点对运动的方法。它描述了当我们知道n个3D空间点以及它们在图像上的位置时，如何估计相机所在的位姿。

可以说整个重定位就是一个精心设计的解算当前帧位姿的模块，秉持着不抛弃不放弃的精神，ORB-SLAM的作者简直把特征匹配压榨到了极致，仿佛在说“小伙子你有很多匹配点的，不要放弃，我们优化一下位姿再找找匹配点呗”。

ORB-SLAM中使用了多种特征匹配的奇技淫巧，其中之一就是利用词袋信息进行引导匹配SearchByBoW：利用了BOW里的正向引导进行两帧之间的匹配，核心点在于位于同一个节点处的特征才有可能属于同一匹配，相较于暴力匹配匹配速度更快。