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

本文提出了一种严格的概率方法来检测有限平面，该算法通过自下而上的聚类技术从底部构建平面，利用光线路径信息计算测量似然性，不依赖于点到平面距离，可以应用于机器人系统的不同领域。

Oct, 2019

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

本文研究从无序点云测量中提取不平坦地形中的平面区域的问题，并提出了一种多分辨率平面区域提取策略，解决了现有方法在边界精度和计算效率方面存在的问题。通过合成和实际世界实验验证了该方法的效率和鲁棒性，证明了该方法在各种不平坦地形中能够有效泛化并保持实时性能，达到超过 35 FPS 的帧率。

Nov, 2023

通过使用多任务深度网络在欧几里德空间和嵌入空间中构建的点聚类方法来解决屋顶平面分割中边界问题，并构建了合成数据集和真实数据集验证了该方法的显著优越性。

Sep, 2023

本文提出了一种利用贝叶斯非参数方法描述点云和表面法线密度，利用分支定界优化恢复相对变换的点云对准的全新方法，采用 4D 四面体的旋转空间细分来提高优化效率，并在最后的实验中展示了该方法的高效性和对真实世界的鲁棒性。

Mar, 2016

本文提出一种新方法，通过预测多视角一致的平面嵌入来辅助几何方法，将点进行聚类成平面，从而解决了在场景中估计平面表面的问题，并在 ScanNetV2 数据集上表明，该方法优于现有方法和强基线的平面估计任务。

Jun, 2024

该研究利用图形化方法来对 LiDAR 点云进行法向量估计和平面提取，建立了一个非线性的约束凸优化问题，并提供不同权重的解决方案进行优化，最终以大规模的综合平面提取数据集的比较验证了该方法

May, 2022

本研究针对地面激光雷达扫描的点云数据注册问题，提出了一种基于优化算法的新方法，通过提出的确定性选择方案和快速的分支定界算法，可以有效、准确地实现点云的最优对齐。

Nov, 2018

本文介绍了一种新颖的框架实施几何密集束调整（DBA），使用 3D 神经隐式表面进行地图参数化，通过密集光流预测引导的几何误差来优化地图表面和轨迹姿态，进一步改进了密集 * 映射的质量。我们在多个行驶场景数据集上的实验结果表明，我们的方法在轨迹优化和密集重建精度方面取得了优越的效果。我们还研究了光度误差和不同的神经几何先验对表面重建和新视角合成性能的影响。我们的方法是利用神经隐式表示在密集束调整中实现更准确的轨迹和详细环境映射的重要一步。

Apr, 2024