文章：VITAMIN-E: VIsual Tracking And MappINgwith Extremely Dense Feature Points
链接：https://arxiv.org/abs/1904.10324
视频：https://www.youtube.com/watch?v=yfKccCmmMsM
作者：Masashi Yokozuka，……，Atsuhiko Banno
机构：National Institute of Advanced Industrial Science and Technology (AIST)，JSPS KAKENHI
摘要的摘要：基于经典优化SLAM框架下，改进或提升两点：
（1）Tracking的特征点数量大幅增加；
（2）BA使用Jacobi迭代法缩减求解时间和复杂度。
1. Dense Feature Point Tracking
1.1 Feature Point Tracking
VITAMIN-E tracks the local extrema of curvature () in incoming images (
)。
1.2 Dominant Flow Estimation
使用光流法+匹配提供匹配点对的位置初始值，设前后帧的点匹配2D点对为和
，然后最小化仿射变换的cost function：
得到一个稳定的和
。
1.3 Curvature Extrema Tracking
经过1.2，可以计算特定追踪点的预测值
：
再最大化evaluation function：
得到校正后的点。
2. Bundle Adjustment for Dense Tracking
2.1 Bundle Adjustment
BA原理就不说了，Model一下求解方程：
经典方法是基于稀疏矩阵的Schur消元将问题分解：
其中，下标为的为camera相关，camera相关变量为
个，下标为
的为point相关，point相关变量为
个，然后进行Schur消元求解，具体不表了。但是文章的
的size是
甚至更大，这样求解的复杂度和代价很大。
2.2 Subspace Gauss–Newton Method
我理解其实就是雅克比迭代法，并不是什么子空间方法。关于这类方法之后再整理一篇笔记出来。
此时方程(8)的求解可分解为如下形式：
3. Experimental Results
ATE详见paper，看起来比DSO、ORB、LSD好不少。
时间上，在论文的CPU上：
-- Feature tracking：36 msec/frame
-- Localization & mapping ：25 msec/frame
建图方面就没有细看了。
