1. 前言
传统SLAM的任务基本可以分为两类：定位与建图。
定位任务重在计算相机位姿，得到的是稀疏的点云结果，目前比较好的有ORBSLAM和。
建图任务重在建出完整的模型，目前比较好的就是这个2016年的BundleFusion。
2. 笔记内容
本系列文章主要记录的内容有：
-
概述
-
主要算法(1)——位姿求解
-
主要算法(2)——模型重建
-
原作者近年其他相关工作(1)——大型室内3D数据集：MatterPort3D
-
原作者近年其他相关工作(2)——基于深度学习的模型补全：SGNN
-
原作者近年其他相关工作(3)——对简易的3D scan进行模型重建：tsdf-fusion
-
BundleFusion(Win)使用&踩坑记录
-
BundleFusion(Ubuntu)使用&踩坑记录
3. 简单介绍
3.1 一些性质
输入：rgbd数据（最好用连续帧）
输出：mesh模型
优点：重建模型精细度高、稳定的位姿计算、达到同步更新的计算速度、支持断点续建
缺点：因为具有断点续建的稳定性，所以很吃内存，大场景下对硬件要求较高。
适合场景：室内小场景
3.2 项目信息
BundleFusion官网
中给出了一些示例数据集，质量不错（记得翻墙）
BundleFusion的官方github代码是基于Win VS的，不过也有自由开发者实现了在Linux中的版本，使用的踩坑见后续笔记。
3.3 相关内容
BundleFusion的主要作者：Matthias Niessner和Angela Dai在立体视觉领域做了很多工作，他们近十年的论文中有一条线就是围绕Volumetric Fusion进行的。这条技术线上发的论文感觉已经快把这个领域的坑都占满了。
这里再做一张技术路线的图片或者上次的那个表格。
本系列也会提到一些相关的论文或者算法，对BundleFusion领域的pipeline进行补充。
其他导引
有关重建任务，后续的简化和补全也有一些很好的算法，有兴趣请访问：
版权声明：本文为qq_41318333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。