使用亮度或照片一致性的概念，我們可以區分出在表面上的點和不在表面上的點。我們需要做的是讓機器在三維空間中計算一個表面，使得表面的所有點都最大程度地保持照片一致性。

像素為圖片元素，體素為體積元素。

我們發現可以利用凸優化方法有效地計算出最優重建。想象或描述可以重建的空間，比如你徒步旅行的風景，其中風景中的每一個點對應一個三維重建。假設我們根據該點的海拔高度對重建的誤差進行編碼，然后找到最佳重建就像找到該景觀中的最低點。如果這里的風景像阿爾卑斯山一樣，那么你必須真正四處游蕩，直到確定找到最低點。但神奇地是，如果景觀是凸面的，你可以輕松找到最低點。只需沿著山坡走下去，直到走不下去為止。

同樣的是，機器可以通過最小化凸的損失函數來有效地計算最優重建（可證明最優）。通過這種方式，你可以重建整個行為。

在1913年，奧地利數學家歐文·庫珀證明了如果你拍攝兩張照片并考慮五個對應點，比如這張照片中的教堂塔樓，以及其它教學塔樓等等，那么就可以重構出相機的相對運動以及這些點的三維位置。

而這種先提取點，計算點之間的對應關系，進而解決SLAM問題的策略并不會得到最好的重建結果。這是因為相機并不觀察點，而是觀察顏色或亮度值。一旦你提取了一些點，你會在第一步漏掉有價值的亮度信息，在第二步計算對應關系時，就會在分配對應點時出現誤差，并會影響到物體重建中，降低性能。

2014年，我們找到了解決這個問題的方法。我們的方法可以直接從相機的亮度值實時解決大規模的SLAM問題。我們發現相機的運動和三維結構能夠使得圖像的顏色一致，如果我們將這些亮度投射到世界中，并投射到其它相機中，它們是一致的。這帶來了前所未有的性能和精度。這種大規模直接點SLAM算法稱為LSD-SLAM，已經成為迄今為止最流行的SLAM方法之一。

因此，我們創建了一家公司，目的是提高算法及其性能。融合其它傳感器的信息，比如相機、慣導、輪速計和GPS。

總結

以上是生活随笔為你收集整理的Daniel Cremers TED演讲的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。