阅读笔记：Real-time 3D Reconstruction in Dynamic Scenes using Point-based Fusion

摘要

算法框架与kinectfusion一致，细节有变化：

• 用了point-based represention
• data association方法
• 点的融合方法
• 模型点移除
• 动态目标估计
• 目标分割方法

代码¹

点表达

点不仅是位置信息，还有其他信息。这里半径用来做什么？

通过$c_k$标识stable point 和 unstable point。

数据融合

数据一致性

根据下面准则筛选一致性点

点的加权平均

类似于kinectfusion中的方法
这里用到了一个假设：越接近光心精度越高，不确定度越小。用$\alpha$来度量。

$\gamma$到相机中心的距离。$\sigma =0.6$经验值。

能够有更好的去噪效果。

移除点

动态估计

用到了ICP的失配点，用失配点做种子，对场景进行分割，分割出动态目标，单独融合。
分割方法比较简单，顶点和法线在阈值内，算对象点。

---

1. https://github.com/victorprad/InfiniTAM ↩︎