纸上得来终觉浅

A. Dai, M. Nießner, M. Zollhöfer, S. Izadi, and C. Theobalt, “BundleFusion: Real-time Globally Consistent 3D Reconstruction using On-the-fly Surface Re-integration,” arXiv:1604.01093 [cs], Apr. 2016.

重点是位姿的估计，位姿优化后从减去原来的TSDF减去权重然后用新的位姿累积进去的方式很有意思。

R. A. Newcombe et al., “KinectFusion: Real-Time Dense Surface Mapping and Tracking∗,” p. 10.
KinectFusion就不需要多废话介绍了吧

B. Curless and M. Levoy, “A volumetric method for building complex models from range images,” 1996, pp. 303–312.

一个将align后的range image融合的方法，使用累积权重的符号距离函数。
文中算法性质：

• 不确定性的表示，误差分布是不对称的，其主方向为视线方向
• 使用所有的range数据
• 增量式和有序的独立更新
• 时间和空间有效性
• 鲁棒性
• 没有拓扑形式的限制
• 重建中填满空间的能力

B. Amberg, S. Romdhani, and T. Vetter, “Optimal Step Nonrigid ICP Algorithms for Surface Registration,” in 2007 IEEE Conference on Computer Vision and Pattern Recognition, Minneapolis, MN, USA, 2007, pp. 1–8.

DynamicFusion所做的工作：基于体素流场，将每帧场景状态变换到固定的（fixed, canonical）frame。
主要贡献：由刚体场景（KinectFusion）发展得到的，保留体素帧融合（volumetric scan fusion）最优特性的一个非刚体变换和融合的方法。
次要贡献：有效表达了体素warp，并实时计算。

使用高斯过程描述形变场，输入的数据只需要参考帧就行。需要设定kernel，由参考帧和kernel生成model

输入数据是形变场不是shape，对应的是reference mesh上每个点的形变方向，所以只需要输入数据对应，不需要align。但是最后得到的结果也是描述形变场的model，由这个model得到的形变场最后要加上reference mesh才能得到最后的shape。

statismo中statismo-build-shape-model程序代码的解读

总结一下就是：给出参考帧（因为PCA需要先中心化）之后PCA

笔者到底想讲些啥？

在SFM（structure from motion）的计算中BA（Bundle Adjustment）作为最后一步优化具有很重要的作用，在近几年兴起的基于图的SLAM（simultaneous localization and mapping）算法里面使用了图优化替代了原来的滤波器，这里所谓的图优化其实也是指BA。其实很多经典的文献对于BA都有深深浅浅的介绍，如果想对BA的全过程做一个全面的更深层次的了解，推荐阅读 Bundle Adjustment —A Modern Synthesis，但是BA的内容确实太多太杂了，刚对其了解的时候往往会陷入其局部的计算中不能自拔，因此笔者准备对其进行一个比较全局一点的介绍，希望读者可以比较轻松的一览BA的全过程而不是陷入其局部的繁琐的计算中，同时也会尽量对其需要的数学工具介绍全面，如有错误和遗漏还望指正。

四元数相关的基本推导，主要是扰动相关。然后记下了一些error-state kalman相关的公式。