本文提出了利用精确的 Levenberg-Marquardt 算法进行分布式大规模数据集的 bundle adjustment 方法，使用基于块的稀疏矩阵压缩格式来存储和更新全局 reduced camera system，并在实验中展示了该方法的高效性和可扩展性。

Jul, 2023

通过将 bundle adjustment 问题看作一个强化学习任务，我们提出了一种方法来训练一个代理模型选择阻尼因子，该方法显著减少了达到 bundle adjustment 收敛所需的迭代次数，并且可以与其他加速方法整合。

Aug, 2023

本文提出了一种完全去中心化的方法，通过重构再投影误差和导出新的代理函数，解决了通信和计算瓶颈，将 bundle adjustment 问题分解成可并行求解的最优化子问题，最终达到更快的收敛速度和更准确的结果。

May, 2023

该论文介绍了一种具有渐进空间平滑的 LiDAR 束调整方法，用于复杂环境下的点云构建，能够获得高质量的点云重建结果，并在复杂环境中展现出更好的精度。

Mar, 2024

提出了一种新的捆绑调整问题的公式，该公式依赖于通过 QR 分解对路标变量进行零空间边缘化。我们称之为平方根捆绑调整法，它在代数上等价于常用的 Schur 补技巧，提高了计算的数值稳定性，并允许使用单精度浮点数来解决大规模捆绑调整问题。

Mar, 2021

本文提出了一种新颖的算法，用于直接从图像数据中联合优化结构和运动参数，而无需依赖固定和已知的对应关系。

Aug, 2016

提出了一种基于滚动快门相机的相机姿态估计和环境几何估计的鲁棒快速 Bundle Adjustment 解决方案，该方案采用了标准化和协方差标准化加权的组合，避免平面退化，并针对其雅可比矩阵和舒尔补的稀疏性进行加速。

Sep, 2022

本文提出一个通过联合光度优化密集几何和摄像机参数，用于 3D 重建的框架，使其比特征点 bundle 调整更具指标重建精度，该框架可以应用于大规模的数据集，并且在面对不同的光照和相机内参时有更好的表现。

Aug, 2020

提出了一种新颖的滚动快门捆绑调整方法，用于神经辐射场（NeRF），利用无序滚动快门（RS）图像获取隐式 3D 表示。通过估计相机姿态和速度，恢复 RS 图像的物理形成，从而消除了对顺序数据的输入限制。采用自粗糙到精细的训练策略，利用场景图中成对帧的 RS 对极约束来检测落入局部极小值的相机姿态。通过与相邻姿态的插值方法对检测为异常值的姿态进行修正。实验结果验证了我们的方法在最新工作中的有效性，并证明 3D 表示的重建不受视频序列输入要求的限制。

Mar, 2024

提出一种新方法来独立估计相机的全局旋转，从而改进旋转平均的精度，并且对不准确的平移和结构具有完全免疫力。

Nov, 2020