Spatiotemporal Bundle Adjustment for Dynamic 3D Human Reconstruction in the Wild
The Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
束平差联合优化相机的内、外参数和3D点三角剖分以重建静态场景。然而，三角测量约束对于在多个非同步视频中捕获的移动点是无效的，并且光束法平差不是设计用于估计相机之间的时间对准。我们提出了一个时空束平差框架，共同优化四个耦合的子问题：估计相机intrinsics和extrinsics，三角测量静态3D点，以及子帧相机之间的时间对齐和计算动态点的3D轨迹。我们联合优化的关键是在重建管道中仔细整合基于物理的运动先验，并在人类主体的大型运动捕捉语料库上进行验证。我们设计了一个增量重建和对齐算法，严格执行运动之前在时空光束法平差。该算法进一步通过分而治之方案使其更有效，同时仍保持高精度。我们应用该算法来重建三维运动轨迹的人体在动态事件中捕获的多个未校准和不同步的摄像机在野外。为了使重建在视觉上更具可解释性，我们将统计3D人体模型拟合到异步视频流中。与基线相比，拟合明显受益于所提出的时空束调整过程。由于视频以子帧精度对齐，因此我们以比输入视频高得多的时间分辨率重建3D运动。
2020-07-24 cs.CV
Multidirectional Conjugate Gradients for Scalable Bundle Adjustment
Technical University of Munich（慕尼黑工业大学）
我们重新审视了大规模光束法平差的问题，并提出了一种称为多方向共轭因子的技术，该技术可将法方程的求解速度提高61%。其关键思想是，我们扩大了经典的预条件共轭梯度的搜索空间，包括多个搜索方向。因此，所得到的算法需要更少的迭代，从而大大加快了大规模重建的速度，特别是对于传统方法难以解决的密集问题。我们提供了一些实验消融研究揭示的鲁棒性的超参数和加速的变化作为一个函数的问题密度。
2021-10-08 cs.CV
Constrained Bundle Adjustment for Structure From Motion Using Uncalibrated Multi-Camera Systems
The Ohio State University（俄亥俄州立大学）；Translational Data Analytics Institute, The Ohio State University（俄亥俄州立大学转化数据 analytics 研究所）
针对未标定多相机系统运动恢复结构难题，提出带基线约束的光束平差法以保持相机相对静止，经车载GoPro数据验证，较传统方法精度提升29.38%。
2023-10-08 cs.CV
RSL-BA: Rolling Shutter Line Bundle Adjustment
Hunan University（湖南大学）；Westlake University（西湖大学）；Dreame Technology Company（追觅科技公司）
本文提出首个基于线特征的卷帘快门光束法平差方法 RSL-BA，建立 Plücker 线投影理论并推导稳定重投影误差，能避免三种退化情形，在合成与真实数据上达到与点方法相当的精度和效率。
2024-08-10 cs.CV
Visual SLAM: Why Bundle Adjust?
School of Computer Science, The University of Adelaide（阿德莱德大学计算机科学学院）；School of Electrical Engineering and Computer Science, Queensland University of Technology（昆士兰科技大学电气与计算机科学学院）
光束法平差在基于特征的单目SLAM中起着至关重要的作用。在许多现代SLAM流水线中，执行束调整以从输入特征轨迹估计6D0F相机轨迹和3D地图（3D点云）。然而，两个基本的弱点困扰基于光束法平差的SLAM系统。首先，需要仔细初始化光束法平差意味着所有变量，特别是地图，必须尽可能准确地估计和维护随着时间的推移，这使得整个算法繁琐。其次，由于估计3D结构（其需要足够的基线）是光束法平差中固有的，因此SLAM算法在慢运动或纯旋转运动的时段期间将遇到困难。我们提出了一个不同的SLAM优化核心：而不是捆绑调整，我们进行旋转平均，以逐步优化相机的方向。给定的方向，我们估计相机的位置和3D点通过一个准凸公式，可以有效地解决和全球最佳。我们的方法不仅消除了以关键帧速率估计和维护位置和3D地图的需要（这使得SLAM系统更简单），而且更能够处理慢动作或纯旋转运动。
2019-06-14 cs.CV
Object-Centric Photometric Bundle Adjustment with Deep Shape Prior
The Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
从图像序列重建3D形状长期以来一直是计算机视觉中感兴趣的问题。经典的运动恢复结构（SfM）方法试图通过投影点位移和光束法平差来解决这个问题。最近，深度方法试图通过直接学习几何和外观之间的关系来解决这个问题。然而，这两种战略之间存在着巨大的差距。SfM从纯粹的几何角度来处理这个问题，没有考虑物体形状的先验。现代的深度方法通常会完全抛弃几何约束，从而使结果不可靠。在本文中，我们努力将这两种看似不同的策略结合在一起。我们将学习的形状先验以深度形状生成器的形式引入到光度束调整（PBA）中，并建议在基于优化的推理框架内容纳由形状先验生成的完整3D形状，展示了令人印象深刻的结果。
2017-11-04 cs.CV
A Game of Bundle Adjustment -- Learning Efficient Convergence
Technion（以色列理工学院）；Reality Labs, Meta inc.（Meta公司Reality Labs）；Cornel-Tech（康奈尔科技学院）
针对经典光束法平差中Levenberg-Marquardt算法启发式选取阻尼因子导致迭代多、计算成本高的问题，提出将其建模为强化学习博弈任务，训练智能体选择阻尼因子，显著减少收敛迭代次数且可与其他加速方法集成。
2023-08-25 cs.CV
Power Variable Projection for Initialization-Free Large-Scale Bundle Adjustment
Munich Center for Machine Learning（慕尼黑机器学习中心）；Technical University of Munich（慕尼黑工业大学）；Hanyang University（汉阳大学）
针对现有光束平差求解器依赖初始化的问题，提出幂次变量投影法，结合幂级数逆展开与黎曼流形优化，首次实现无需初始化的大规模可扩展光束平差，在BAL数据集上速度与精度达当前最优。
2024-08-13 cs.CV
Back on Track: Bundle Adjustment for Dynamic Scene Reconstruction
TU Munich（慕尼黑技术大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；University of Oxford（牛津大学）；Microsoft（微软公司）
针对动态场景中传统SLAM束调整失效问题，提出统一框架BA-Track，利用3D点跟踪器分解相机与物体运动，并结合束调整与深度细化实现静态与动态元素的尺度一致稠密重建。
2025-11-05 cs.CV
Distributed Bundle Adjustment
IBM Research（IBM研究院）；University of Washington（华盛顿大学）；University of Missouri-Columbia（密苏里大学哥伦比亚分校）
计算机视觉中的光束法平差（BA）大多数方法要么是集中式的，要么是增量式的。这导致较差的缩放，并且随着图像的数量从运动运动恢复结构（SfM）以大尺度结构增长而影响解决方案的质量。此外，它们不能用于图像采集和处理必须分布的场景。我们解决这个问题，一个新的分布式BA算法。我们的分布式配方使用交替方向乘法器（ADMM），而且，由于每个处理器只看到一小部分的数据，我们表明，强大的配方提高性能。我们分析了所提出的算法的收敛性，并说明了数值性能，参数估计的准确性，以及在已知相机位置和方向地面实况的合成3D数据集的背景下分布式实现的可扩展性。结果是一个替代国家的最先进的集中式光束法平差算法合成和真正的三维重建问题。我们实现的运行时间与观察点的数量呈线性关系。
2017-08-26 cs.CV
A Unified Framework of Bundle Adjustment and Feature Matching for High-Resolution Satellite Images
Ohio State University（俄亥俄州立大学）
光束法平差（BA）是一种用于改善卫星图像传感器方位的技术，而平差精度与特征匹配结果相关。在弱纹理/重复纹理中，特征匹配通常包含很高的不确定性，而BA结果有助于减少这些不确定性。为了计算更精确的方向，本文将BA和特征匹配结合在一个统一的框架中，并将其统一表示为一个全局能量函数的优化，使得BA和特征匹配的解相互约束。为了避免退化的优化，我们提出了一个包含的解决方案，打破了两步子优化的全局能量函数的优化，并计算每个子优化的局部最小值在增量的方式。多视角高分辨率卫星图像上的实验表明，我们提出的方法优于国家的最先进的定向技术，或没有准确的最小二乘匹配。
2021-07-01 cs.CV
Large Scale Photometric Bundle Adjustment
Snap, Inc.（Snap公司）；Snap Group Ltd.（Snap集团有限公司）
直接方法已经在视觉里程计和SLAM上显示出希望，从而导致比基于特征的方法更高的准确性和鲁棒性。然而，离线三维重建从互联网图像尚未受益于联合，光度优化密集的几何形状和相机参数。缺乏亮度恒定性和数据量庞大等问题使这成为一项更具挑战性的任务。这项工作提出了一个框架，用于联合优化数百万个场景点和数百个摄像机姿势和intrinsic，使用的光度成本是不变的局部照明变化。在度量重建精度的提高，它赋予基于特征的光束法平差的大规模坦克和寺庙的基准证明。我们进一步展示了互联网照片集的质量重建改进，具有挑战性的多样性照明和相机的内在。
2020-09-10 cs.CV
Stable and Scalable Bundle Adjustment of Holistic 3D Structures
ETH Zurich（苏黎世联邦理工学院）；Microsoft Spatial AI Lab（微软空间人工智能实验室）；Australian National University（澳大利亚国立大学）；Lund University（隆德大学）
本文提出统一框架扩展光束平差法，将高阶几何关系建模为类相机实体，保留稀疏性并提升稳定性，在相当运行时下生成更丰富三维结构与更高几何精度。
2026-09-04 cs.CV
Multi-View Large-Scale Bundle Adjustment Method for High-Resolution Satellite Images
The Ohio State University（俄亥俄州立大学）
在给定足够多的多视影像对应点（也称为连接点）和地面控制点（GCP）的情况下，高分辨率卫星影像的光束法平差用于在统一的大地测量框架内精确确定每幅卫星影像的方位或最常用的几何参数有理多项式系数（RPC），这在许多摄影测量和计算机视觉应用中是非常关键的。然而，越来越多的高分辨率星载光学传感器给光束法平差带来了两个挑战：1）来自不同卫星相机的图像可能具有不同的成像日期、视角、分辨率等，2）大比例尺测图区域总是对应于大量的光束法平差改正（包括RPC偏差和物方空间点坐标）。由于计算机内存的限制，很难在同一时间细化所有的校正。因此，如何在大范围内有效地实现光束法平差就显得尤为重要。本文通过两个步骤特别讨论了多视图大范围光束法平差问题：1）为获得不同卫星影像间的稳健连接点，设计了一种基于平面纠正和极线约束的多视点、多源连接点匹配算法，该算法能够补偿卫星影像间的几何和局部非线性辐射失真，（2）在大范围光束法平差中，对于几十万甚至几百万个变量的光束法平差改正，我们采用了一种有效的方法，只需要很少的计算机内存。在在轨和离轨卫星数据集上的实验表明，该方法能够计算亚像元精度的光束法平差结果。
2019-05-22 cs.CV eess.IV
Square Root Marginalization for Sliding-Window Bundle Adjustment
Technical University of Munich（慕尼黑工业大学）
在本文中，我们提出了一种新的平方根滑动窗口光束法平差适用于实时测距应用。平方根公式贯穿于我们基于优化的滑动窗口估计的三个主要方面：对于束平差，我们用零空间投影消除地标变量;为了存储边缘化先验，我们采用Hessian矩阵平方根;当边缘化旧姿势时，我们避免形成正规方程，并直接用专门的QR分解更新平方根先验。我们表明，建议的平方根边缘化是代数上等同于传统的使用舒尔补（SC）的海森。此外，它优雅地处理秩亏雅可比矩阵产生一个事先等价的SC与Moore-Penrose逆。我们对真实世界数据集的视觉和视觉惯性里程计的评估表明，所提出的估计比基线快36%。它还表明，在单精度的，传统的基于海森边缘化导致数值故障和精度降低。我们分析了边缘化的数值特性，然后解释为什么我们的平方根形式不会受到同样的影响，因此需要更好的性能。
2021-09-05 cs.CV
BA-Net: Dense Bundle Adjustment Network
本文介绍了一种网络架构，以解决结构从运动（SfM）的问题，通过特征度量光束法平差（BA），明确地强制执行多视图几何约束的形式特征度量误差。整个管道是可微的，因此网络可以学习适当的特征，使BA问题更易于处理。此外，这项工作引入了一种新的深度参数化来恢复密集的每像素深度。该网络首先根据输入图像生成几个基本深度图，并通过特征度量BA将最终深度优化为这些基本深度图的线性组合。基础深度图生成器也通过端到端训练来学习。整个系统很好地结合了领域知识（即硬编码的多视图几何约束）和深度学习（即特征学习和基础深度图学习），以解决具有挑战性的密集SfM问题。在大规模真实数据上的实验证明了该方法的有效性。
2019-08-25 cs.CV
Stochastic Bundle Adjustment for Efficient and Scalable 3D Reconstruction
Hong Kong University of Science and Technology（香港科技大学）；Everest Innovation Technology（珠峰创新科技）
目前的光束法平差求解器，如Levenberg-Marquardt（LM）算法是有限的瓶颈，在解决减少相机系统（RCS）的尺寸是成比例的相机数量。当问题被放大时，这个步骤在计算上既不高效，也不适合单个计算节点。在这项工作中，我们提出了一个随机光束法平差算法，旨在分解的RCS近似内部的LM迭代，以提高效率和可扩展性。它首先重新制定的LM迭代的二次规划问题的聚类的可视性图通过引入跨类的等式约束。然后，我们建议将其松弛成一个机会约束问题，并通过抽样凸规划来解决它。松弛的目的是消除集群之间的相互依赖性体现的约束，使一个大的RCS可以分解成独立的线性子问题。在无序互联网图像集和序列SLAM图像集上的数值实验以及在大规模数据集上的分布式实验表明了该方法的高效性和可扩展性。代码发布于https://github.com/zlthinker/STBA。
2020-08-02 cs.CV
DeepSFM: Structure From Motion Via Deep Bundle Adjustment
Fudan University（复旦大学）；Google Research（谷歌研究院）；Nuro, Inc（Nuro公司）
运动恢复结构（SfM）是计算机视觉的一个重要问题，深度学习尚未很好地解决这个问题。其中一个有前途的趋势是应用明确的结构约束，如三维成本体积，到网络中。然而，现有的方法通常假设准确的摄像机位姿从GT或其他方法，这是不现实的，在实践中。在这项工作中，我们设计了一个物理驱动的架构，即DeepSFM，灵感来自传统的捆绑调整（BA），它包括两个基于成本体积的架构，分别用于深度和姿态估计，迭代运行，以改善两者。当与学习组件结合时，对深度（结构）和姿势（运动）的明确约束带来了传统BA和新兴深度学习技术的优点。在各种数据集上的大量实验表明，我们的模型在深度和姿态估计方面都达到了最先进的性能，并且对较少的输入和初始化中的噪声具有出色的鲁棒性。
2020-08-10 cs.CV
PoseDiffusion: Solving Pose Estimation via Diffusion-aided Bundle Adjustment
University of Oxford（牛津大学）；Meta AI
本文提出PoseDiffusion，将SfM相机位姿估计建模为概率扩散过程并融合对极几何约束，可处理任意数量图像，在真实数据集上显著优于传统与学习方法且能跨数据集泛化。
2024-01-24 cs.CV
Robust RPC Bundle Adjustment for Multi-Date Satellite Imagery with Season-Invariant Correspondences
Eurecat（欧洲电信技术研究中心）；Universidad de la República（乌拉圭共和国大学）；AMIAD；Institut Universitaire de France（法国大学研究院）；Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；ENS Paris-Saclay（巴黎萨克雷高等师范学校）；Centre Borelli（博雷利中心）
该研究针对多日期卫星图像的RPC优化问题，提出结合季节不变对应关系的鲁棒RPC光束平差流程，在WorldView-3图像实验中优于开源基线，可更高效利用多日期卫星图像。
2026-07-30 cs.CV
Marginalized Bundle Adjustment: Multi-View Camera Pose from Monocular Depth Estimates
Google（谷歌）；Michigan State University（密歇根州立大学）
本文提出边缘束调整方法，利用单目深度估计的密集深度图，有效整合到结构从运动任务中，提升多视角3D视觉性能。
2026-02-21 cs.CV
NFL-BA: Near-Field Light Bundle Adjustment for SLAM in Dynamic Lighting
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；University of California San Diego（加州大学圣地亚哥分校）
NFL-BA通过显式建模近场照明提升动态光照下SLAM性能，显著提高相机跟踪和建图效果。
2026-01-23 cs.CV
BLASt3R: Bundle Adjustment of Any Image Set with Multi-View Matching and Monocular Priors
NAVER LABS Europe（NAVER欧洲实验室）
BLASt3R提出结合多视图匹配与单目先验的正则化BA框架，支持在线VSLAM和离线无序图像重建，在性能速度权衡上优于基线，其未标定VSLAM方法性能超此前所有标定方法。
2026-09-07 cs.CV
MegBA: A GPU-Based Distributed Library for Large-Scale Bundle Adjustment
Megvii Inc.（旷视科技有限公司）；University of Edinburgh（爱丁堡大学）
大规模光束法平差需要大量的内存和计算资源，现有的光束法平差库难以满足这一需求。在本文中，我们提出了MegBA，基于GPU的分布式BA库。MegBA通过自动划分大型BA问题，并将子问题的求解器分配给并行节点，可以提供大量的聚合内存。并行求解器采用分布式预条件共轭梯度法和分布式Schur消元法，可以高效地计算出与单节点计算精度相当的有效解。为了加速BA计算，我们使用商品GPU上可用的高性能原语实现端到端BA计算。MegBA公开了易于使用的API，与现有的流行BA库兼容。实验表明，MegBA可以在几个大规模BA基准测试中显著优于最先进的BA库：Ceres（41.45 $\times$），RootBA（64.576 $\times$）和DeepLM（6.769 $\times$）。MegBA的代码可在https://github.com/MegviiRobot/MegBA上获得。
2022-08-02 cs.CV
Quantum Levenberg--Marquardt Algorithm for optimization in Bundle Adjustment
Lund University（隆德大学）
在本文中，我们开发了一个量子优化算法，并使用它来解决光束法平差问题的模拟量子计算机。光束法平差是优化摄像机姿态和传感器特性的过程，以最佳地重建三维结构和观察参数。这个问题通常使用Levenberg-Marquardt算法的一些实现来解决。在这种情况下，我们实现了一个量子算法求解线性系统的正常方程，计算优化步骤Levenberg-马夸特。这一过程是目前光束法平差算法复杂性的瓶颈。所提出的量子算法大大降低了这个操作的复杂性方面的点的数量。我们研究了用于束调整的玩具模型的9种配置，限制为10个点和2个摄像头。这个优化问题的解决都使用稀疏Levenberg-Marquardt算法和我们的量子实现。给出了由此产生的解决方案，显示出改进的收敛速度，以及理论加速和在当前量子计算机上成功运行算法的概率的分析。所提出的量子算法是使用量子计算算法以解决计算机视觉中的复杂优化问题的开创性实现，特别是光束法平差，其提供了几种进一步研究的途径。
2022-03-04 cs.CV quant-ph
Learning Generalized Visual Odometry Using Position-Aware Optical Flow and Geometric Bundle Adjustment
University of Electronic Science and Technology of China（电子科技大学）；Guangxi University of Science and Technology（广西科技大学）
最近的视觉里程计（VO）方法将几何算法结合到深度学习架构中，在具有挑战性的单目VO任务上表现出出色的性能。尽管取得了令人鼓舞的结果，以前的方法忽略了在噪声环境和各种场景下的泛化能力的要求。为了解决这个具有挑战性的问题，这项工作首先提出了一种新的光流网络（PANet）。与以前的方法预测光流作为一个直接的回归任务相比，我们的PANet计算光流预测到离散的位置空间与光流概率体积，然后将其转换为光流。接下来，我们通过引入多重采样、自我运动初始化、动态阻尼因子调整和Jacobi矩阵加权来改进光束法平差模块以适应自监督训练管道。此外，提出了一种新的归一化光度损失函数，以提高深度估计的精度。实验结果表明，该系统不仅在KITTI数据集上取得了与其他基于自监督学习的方法相当的性能，而且在噪声KITTI和具有挑战性的户外（KAIST）场景上，与基于几何、基于学习和混合VO系统相比，该系统的泛化能力也有显著提高.
2022-12-21 cs.CV
MomentBA: Second-order Spatial Moments for Anisotropic Correspondence Uncertainty in Differentiable Bundle Adjustment
Wuhan University（武汉大学）；Hubei Technology Innovation Center for Spatiotemporal Information and Positioning Navigation（湖北时空信息与定位导航技术创新中心）；Hubei Luojia Laboratory（湖北珞珈实验室）
MomentBA通过二阶空间矩推导各向异性对应不确定性并集成到可微分束调整中，在EuRoC和TartanAir数据集上提升单目视觉里程计精度与轨迹稳健性。
2026-09-15 cs.CV
DirectTracker: 3D Multi-Object Tracking Using Direct Image Alignment and Photometric Bundle Adjustment
Technical University of Munich (TUM)（慕尼黑工业大学（TUM））
直接方法在视觉里程计和SLAM的应用中表现出优异的性能。在这项工作中，我们建议利用其有效性的任务，三维多目标跟踪。为此，我们提出了DirectTracker，一个框架，有效地结合了直接的图像对齐的短期跟踪和滑动窗口光度束调整的三维目标检测。对象建议基于稀疏滑动窗口点云进行估计，并使用基于优化的成本函数进行进一步优化，该成本函数仔细结合了3D和2D线索，以确保图像和世界空间的一致性。我们建议使用最近引入的高阶跟踪精度（HOTA）度量和广义交集相似性度量来评估3D跟踪，以减轻传统使用交集的局限性。我们对汽车类的KITTI跟踪基准进行了评估，并在2D和3D跟踪对象方面表现出竞争力。
2022-09-29 cs.CV
Unsupervised Learning of Monocular Depth Estimation with Bundle Adjustment, Super-Resolution and Clip Loss
Carnegie Mellon University（卡内基梅隆大学）；Chinese Academy of Sciences（中国科学院）
我们提出了一种新的无监督学习框架，单视图深度估计使用单目视频。众所周知，在三维视觉中，扩大基线可以提高深度估计精度，并且联合优化一组相机姿态和地标是必不可少的。在以前的单目无监督学习框架中，序列中只有部分光度和几何约束被用作监督信号。这可能导致短基线和过拟合。此外，以前的工作通常是从低分辨率的输入图像估计低分辨率的深度。然后对低分辨率深度进行插值以恢复原始分辨率。这种策略可能在对象边界上产生大的误差，因为背景和前景的深度被混合以产生高分辨率深度。本文提出了一种光束法平差框架和一种超分辨率网来解决上述两个问题。在光束法平差中，图像序列的深度和姿态被联合优化，这通过建立更远帧之间的关系来增加基线。超分辨率网络学习从低分辨率图像估计高分辨率深度。此外，我们引入了剪辑损失来处理移动对象和遮挡。在KITTI数据集上的实验结果表明，该算法的性能优于现有的基于单目序列的无监督方法，并且与基于立体序列的无监督方法相比，具有相当甚至更好的效果。
2018-12-08 cs.CV
Proxy Templates for Inverse Compositional Photometric Bundle Adjustment
The University of Queensland（昆士兰大学）；Carnegie Mellon University（卡内基梅隆大学）
3D视觉的最新进展已经证明了光度光束法平差的优势。通过直接最小化重投影像素误差而不是几何重投影误差，这样的方法可以在高纹理化区域和低纹理化区域两者中实现子像素对准精度。通常，这些问题使用由6-DoF刚性相机姿势和结构中每点的深度参数化的前向组合Lucas-Kanade公式来解决。对于大型问题，流水线中最占用CPU的部分是在每次迭代时创建和分解Hessian矩阵。对于许多经线，逆合成公式可以提供显着的加速，因为海森只需要反转一次。在本文中，我们表明，一个普通的逆组成制定不工作的翘曲这种类型的参数化由于病态的偏导数。然而，我们表明，它是可以克服这一限制，通过引入代理模板图像的概念。我们表现出一个数量级的速度提高，对质量的影响很小，从正向到反向成分在我们自己的光度光束法平差方法设计的对象为中心的运动恢复结构。这意味着在相同的实时约束下，大型系统或密集重建的处理时间更少。我们还表明，该理论可以很容易地应用到现有的方法，将其与最近发布的直接稀疏里程SLAM算法。
2017-04-23 cs.CV
ProBA: Probabilistic Bundle Adjustment with the Bhattacharyya Coefficient
Technical University of Munich（慕尼黑工业大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心 (MCML)）
ProBA通过概率重参数化BA流形，实现从冷启动开始的联合优化，利用灵活的位姿图和3D高斯表示，通过统一的NLL目标建模空间不确定性，提升SfM和SLAM在无结构环境中的鲁棒性。
2026-04-07 cs.CV
URS-NeRF: Unordered Rolling Shutter Bundle Adjustment for Neural Radiance Fields
Wuhan University（武汉大学）；National University of Singapore（新加坡国立大学）
提出一种用于NeRF的无序卷帘快门束调整方法，通过估计相机位姿和速度恢复RS图像物理形成，结合由粗到细策略校正异常位姿，消除了序列输入限制并提升了3D重建质量。
2024-03-25 cs.CV
CSS-BA: Gate-Guided Column Space Search for Bundle Adjustment
Waseda University（早稻田大学）；CyberAgent, Inc.（株式会社CyberAgent）
针对低视差和近旋转情况下传统BA法病态问题，提出门控引导的CSS-BA，通过结合CSS和几何感知门控稳定舒尔-LM更新，所有参数保留在优化中，仅限制更新方向，实验显示其优化稳定、姿态精度提高且校准有竞争力。
2026-07-20 cs.CV
Deblurring Neural Radiance Fields with Event-driven Bundle Adjustment
Beihang University（北京航空航天大学）；Beijing Institute of Technology（北京理工大学）
本文提出EBAD-NeRF，利用事件相机与RGB混合数据联合优化位姿和NeRF参数，通过事件损失和模糊损失显式建模运动模糊，实现更准确的相机轨迹和更清晰的三维重建。
2024-08-01 cs.CV
Self-Supervised Learning of Depth and Ego-motion with Differentiable Bundle Adjustment
New York University（纽约大学）；New York University Abu Dhabi（纽约大学阿布扎比分校）
学习仅从RGB输入预测场景深度和相机运动是一项具有挑战性的任务。大多数现有的基于学习的方法以监督的方式处理该任务，这需要获取昂贵的地面实况数据。最近的方法探索了在自监督学习框架中估计场景深度和相机姿态的可能性。尽管令人鼓舞的结果显示，当前的方法要么学习从单眼视频的深度和姿势，通常这样做，而不强制执行场景结构和相机运动之间的多视图几何约束，或需要立体序列作为输入，其中地面实况帧间运动参数需要是已知的。在本文中，我们建议通过最小化特征度量误差来结合可微束调整（BA）层来联合优化场景深度和相机运动，然后形成具有视图合成的光度一致性损失作为最终的监督信号。所提出的方法只需要未标记的单目视频作为输入，在KITTI和Cityscapes数据集上进行的大量实验表明，我们的方法在使用单目视频作为输入的自监督方法中取得了最先进的结果，甚至比从校准的立体序列（即姿势监督）中学习的方法更有优势。
2019-09-28 cs.CV
Initialization-Free Bundle Adjustment Revisited: A Controlled Experimental Study
University of Oxford（牛津大学）；Technical University of Munich（慕尼黑工业大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；Hanyang University（汉阳大学）；Lund University（隆德大学）
本文通过统一评估框架开展受控实验，揭示无需初始化的光束平差法存在优化-重建差距，明确其核心挑战是获取可可靠度量升级的投影重建，为该领域研究提供了实验基础。
2026-08-19 cs.CV
PRISM-VO: Scale-Aware Visual Odometry Using Photometric Plenoptic Bundle Adjustment
Technical University of Munich（慕尼黑工业大学）；Karlsruhe University of Applied Sciences（卡尔斯鲁厄应用科学大学）
提出PRISM-VO，一种基于光度全光集束调整的纯优化稀疏光度视觉里程计，通过联合优化相机位姿和逆深度，实现精确的度量尺度重建，避免单目SLAM的尺度模糊。
2026-07-02 cs.CV
$ν$-DBA: Neural Implicit Dense Bundle Adjustment Enables Image-Only Driving Scene Reconstruction
Zhejiang University（浙江大学）；Huawei Incorporated Company（华为公司）；Application Innovate Lab（应用创新实验室）
本文提出ν-DBA框架，利用神经隐式表面和光流引导的几何误差实现稠密光束法平差，并通过逐场景自监督微调光流模型，在驾驶场景中同时提升轨迹优化与稠密重建精度。
2024-04-29 cs.CV cs.RO
Multigrid for Bundle Adjustment
University of Colorado Boulder（科罗拉多大学博尔德分校）
束调整是许多运动恢复结构流水线中重要的全局优化步骤。性能取决于用于计算最优步长的线性求解器的速度。对于大型问题，当前技术水平与问题中的相机数量成超线性比例。我们调查的空调全球光束法平差问题的图像的数量增加，在不同的制度和基本后果方面的超线性缩放的当前最先进的方法。我们提出了一个非平滑聚合多重网格预处理器，准确地代表了全球模式的基础上现有方法的缩放差，并证明解决了高达13倍的速度比最先进的大型，具有挑战性的问题集。
2020-07-03 cs.CV cs.NA math.NA
BA-T: An Iterative Transformer for Two-View Bundle Adjustment
TU Munich（慕尼黑工业大学）；MCML（慕尼黑计算生物学与机器学习中心）；ETH Zurich（苏黎世联邦理工学院）
受经典束调整启发，提出BA-T，一种通过迭代Transformer在隐式token空间中实现结构化更新的轻量级方法，用于改进双视图三维重建的精度和多视图一致性。
2026-10-21 cs.CV
BADGR: Bundle Adjustment Diffusion Conditioned by GRadients for Wide-Baseline Floor Plan Reconstruction
University of Washington（华盛顿大学）；Zillow Group（齐洛集团）
BADGR提出一种以梯度为条件的束调整扩散模型，联合优化相机姿态与平面图布局，利用单步LM优化器输出和扩散去噪约束，在宽基线全景图上显著超越现有方法。
2025-03-25 cs.CV
PSS-BA: LiDAR Bundle Adjustment with Progressive Spatial Smoothing
Nanyang Technological University（南洋理工大学）
本文提出PSS-BA，一种结合渐进空间平滑的LiDAR光束法平差方法，通过多尺度平滑核生成稳健表面约束以优化位姿，解决了复杂非平面环境下的点云重建精度与收敛性问题。
2024-09-23 cs.CV cs.RO
Distributed bundle adjustment with block-based sparse matrix compression for super large scale datasets
China University of Geosciences(Wuhan)（中国地质大学（武汉））；Mirauge3D Technology（Mirauge3D科技公司）；Jiantong Surveying（建通测量公司）；Mirauge3D Technology Inc.（Mirauge3D科技股份有限公司）
本文提出一种基于块稀疏矩阵压缩的分布式光束法平差方法，通过精确LM算法在分布式系统上处理超大规模数据集，首次实现118万张真实图像和1000万张合成图像的并行平差。
2023-08-13 cs.CV cs.DC
An Efficient Plane Extraction Approach for Bundle Adjustment on LiDAR Point clouds
The University of Hong Kong（香港大学）
针对激光雷达光束法平差的精度和速度受平面提取质量制约的问题，提出基于体素、结合八叉树分裂、PCA平面判定与平面合并的高效提取方法，在HILTI数据集上实现精度最优、耗时最低。
2023-04-29 cs.CV cs.RO
Revisiting Rolling Shutter Bundle Adjustment: Toward Accurate and Fast Solution
Hunan University（湖南大学）；Shanghai AI Laboratory（上海人工智能实验室）；Jiangxi Provincial Natural Resources Cause Development Center（江西省自然资源事业发展中心）
本文针对卷帘快门相机的光束法平差问题，提出结合图像点归一化与视觉残差协方差标准化加权的NW-RSBA方法，并利用雅可比稀疏性和舒尔补加速，在避免平面退化的同时实现更高精度和效率。
2023-04-18 cs.CV
Photometric Bundle Adjustment for Vision-Based SLAM
我们提出了一种新的算法，直接从图像数据的结构和运动参数的联合细化，而不依赖于固定和已知的对应关系。传统的光束法平差（BA）的最佳参数是通过最小化使用跟踪功能的重投影误差来确定的，相比之下，所提出的算法依赖于最大化的光度一致性和估计的对应关系隐式。由于该算法不需要对应关系，因此其应用不限于角状结构，任何具有非零梯度的像素都可以用于估计过程。此外，我们证明了在不受约束的场景中同时使用光度来细化运动和结构参数的可行性，而不需要限制性的假设，如平面性。该算法的范围内具有挑战性的室外数据集进行评估，它被证明是提高后的国家的最先进的VSLAM方法的精度使用最小化的重投影误差，使用传统的BA以及环路闭合。
2016-08-05 cs.CV cs.RO
Towards Initialization-free Calibrated Bundle Adjustment
Lund University（隆德大学）
本文提出了一种利用已知相机校准的无初始化校准SfM方法，通过引入成对相对旋转估计来实现近等距重建，从而提高三维重建的准确性。
2026-05-20 cs.CV
ViBA: Implicit Bundle Adjustment with Geometric and Temporal Consistency for Robust Visual Matching
GNSS Research Center, Wuhan University（武汉大学卫星导航定位技术研究中心）；Electronic Information School, Wuhan University（武汉大学电子信息学院）；Hubei Technology Innovation Center for Spatiotemporal Information and Positioning Navigation（湖北省时空信息与定位导航技术创新中心）；Hubei Luojia Laboratory（湖北珞珈实验室）
ViBA结合几何优化与特征学习，实现连续在线训练，通过隐式可微的几何残差框架提升视觉匹配的鲁棒性和精度，实测在EuRoC和UMA数据集上显著降低位移和旋转误差。
2026-04-03 cs.CV
LMBAO: A Landmark Map for Bundle Adjustment Odometry in LiDAR SLAM
Sun Yat-sen University（中山大学）
LiDAR测距是LiDAR同时定位与地图构建（SLAM）的重要组成部分。然而，现有的LiDAR测距法倾向于简单地迭代地将新扫描与先前的固定姿势扫描相匹配，从而逐渐积累误差。此外，作为一种有效的联合优化机制，光束法平差（BA）不能直接引入到实时里程计由于大规模的全球地标密集的计算。因此，本文设计了一种新的策略，称为里程碑地图的光束法平差测距（LMBAO）的LiDAR SLAM解决这些问题。首先，BA为基础的里程进一步发展与积极的地标维护策略，更准确的本地注册，避免累积误差。具体地说，本文保留了整个稳定的地标在地图上，而不仅仅是他们的特征点在滑动窗口中，并删除地标根据其活动的等级。接下来，减小滑动窗口长度，并且执行边缘化以保留窗口外但对应于地图上的活动地标的扫描，从而大大简化了计算并提高了实时性。此外，在三个具有挑战性的数据集上的实验表明，我们的算法在户外驾驶中实现了实时性能，并且优于最先进的LiDAR SLAM算法，包括Lego-LOAM和VLOM。
2022-09-19 cs.CV cs.RO
PLGSLAM: Progressive Neural Scene Represenation with Local to Global Bundle Adjustment
Shanghai Jiao Tong University（上海交通大学）；Nanyang Technological University（南洋理工大学）
PLGSLAM提出渐进式局部场景表示与局部到全局束调整，实现大规模室内场景下高保真重建和鲁棒实时跟踪。
2025-05-27 cs.CV
Improving Monocular Visual-Inertial Initialization with Structureless Visual-Inertial Bundle Adjustment
University of Luxembourg（卢森堡大学）
针对单目VIO初始化中结构重建计算量大且无结构方法精度受限的问题，提出无结构视觉惯性光束法平差以优化初始解，在真实数据集上显著提升精度并保持实时性。
2025-02-23 cs.CV cs.RO
LiFCal: Online Light Field Camera Calibration via Bundle Adjustment
Technical University of Munich（慕尼黑工业大学）；Karlsruhe University of Applied Sciences（卡尔斯鲁厄应用技术大学）
提出用于MLA光场相机的在线无靶标标定流程LiFCal，通过在微图像点上的单一光束法平差联合优化相机内参、3D点坐标与位姿，性能媲美SOTA且利于深度估计和SLAM等下游任务。
2024-08-21 cs.CV eess.IV
Accelerating Large-scale Bundle Adjustment for LiDAR Mapping via Parallel Computing
KTH Royal Institute of Technology（瑞典皇家理工学院）；the University of Hong Kong（香港大学）
该研究提出首个全并行计算框架，结合三项关键技术加速激光雷达建图的大规模光束平差法，经多平台公开数据集测试，效率最高提升10倍且精度相当，代码已开源。
2026-08-17 cs.CV cs.RO
Photometric LiDAR and RGB-D Bundle Adjustment
Sapienza University of Rome（罗马第一大学）
传感器轨迹和三维地图的联合优化是同时定位与地图构建（SLAM）系统的一个重要特征。为了实现这一点，黄金标准是捆绑调整（BA）。现代3D激光雷达现在保留了更高的分辨率，可以创建类似于传统相机拍摄的点云图像。然而，用于RGB-D传感器的典型有效的全局细化技术并没有广泛应用于LiDAR。本文提出了一种新的BA测光策略，以相同的方式解释RGB-D和LiDAR。我们的工作可以用于任何SLAM/GNSS估计的顶部，以改善和细化初始轨迹。我们使用这两个深度传感器在公共基准上进行了不同的实验。我们的研究结果表明，我们的系统执行标准杆或更好的相比，其他国家的最先进的自组织SLAM/BA战略，从数据关联和不做假设的环境。此外，我们还展示了在统一方法中联合使用RGB-D和LiDAR的好处。我们终于发布了一个开源的CUDA/C++实现。
2023-03-29 cs.CV cs.RO
