SLAM 點雲圖鑑Point clouds for construction
M-01 · 2018

FlashFusion

FlashFusion 是不使用 GPU 運算、可在可攜裝置上即時運作的全域一致稠密 RGB-D 重建系統。定位端以 ORB 特徵對應，把每個新關鍵影格與 MILD 迴圈偵測找出的前 5 個相似關鍵影格做全域配準，並以作者的 FastGO 預先累積對應點的二階統計量，使全域位姿最佳化能在 CPU 上即時求解；另以只修正相對位姿變化最大的 10 對影格來近似 Huber 穩健損失。重建端採空間雜湊 TSDF，以每個區塊 8 個角點的稀疏體素取樣快速挑出含表面的有效區塊（先以 20 mm、再以 5 mm 解析度檢查），且只在關鍵影格做篩選；網格擷取以自適應門檻、查表與鄰近區塊位址表加速。位姿更新後，每個關鍵影格重新整合至多 10 個先前關鍵影格，以 CPU 近似 BundleFusion 的重新整合。

具全域修正的完整 SLAM近十年已讀全文同儕審查已出版視覺、視覺慣性與 RGB-D 稠密 SLAM

閱讀版本
RSS XIV online proceedings PDF (version of record, paper p06)
全文取得途徑
出版者開放取用（open access）
本頁內容

CPU-only globally consistent RGB-D reconstruction: keyframe global pose optimization with pre-integrated ORB-correspondence statistics (FastGO) and MILD loop detection, a spatially hashed TSDF with sparse-corner valid-chunk selection, accelerated marching cubes, and bounded keyframe re-integration after pose updates; 5 mm voxels with TSDF fusion at 300 Hz and meshing at 25 Hz.

技術屬性

欄位內容為文獻擷取紀錄的原文用語（英文），以原文為據；「未查證」表示本研究尚未讀到該資訊，不代表該方法不具備此能力。

感測輸入RGB-D camera (Asus Xtion for live scanning; TUM RGB-D real sequences; synthetic noisy ICL-NUIM)
原文測試平台portable tablet set-up: live scanning with an Asus Xtion connected to a Microsoft Surface Pro, carrying mode not described (Sec. V)、real RGB-D benchmark sequences (TUM RGB-D, ElasticFusion dyson lab)、simulation (ICL-NUIM)
狀態估計Keyframe global pose optimization (authors' FastGO): Gauss-Newton on SE(3) minimizing distances between corresponding ORB feature points of each keyframe and its top-5 most similar keyframes, with second-order statistics pre-integrated so each frame pair costs O(1); Huber norm approximated by an online correction of the 10 frame pairs whose relative poses change most; local frames fixed relative to their keyframe
資料關聯About 1000 ORB features per frame; local registration of each frame to its keyframe and global registration of each new keyframe against the top-5 similar previous keyframes found by MILD appearance-based loop detection
時間表示discrete poses (keyframes optimized, local frames attached)
去畸變不適用 (RGB-D input)
迴圈閉合MILD multi-index hashing loop detection on ORB features (no training); matched keyframes added to the global optimization
全域最佳化Global keyframe pose optimization on every new keyframe; TSDF re-integration of up to 10 previous keyframes, each with at most 10 evenly selected local frames
地圖表示spatially hashed TSDF with 8 x 8 x 8-voxel chunks and a second coarse hash of chunk cubes; valid chunks selected by sparse voxel sampling of the 8 chunk corners (first at 20 mm, then 5 mm) only on keyframes; colour stored as colour times weight
先驗資訊none
可輸出幾何coloured triangle mesh with normals from accelerated marching cubes (adaptive per-chunk threshold, one-DoF vertex placement, neighbour-chunk look-up tables); 5 mm voxels
計算需求CPU only (GPU used only for visualization); experiments on Intel Core i7 7700 @3.6 GHz; live demo on a Microsoft Surface Pro tablet; tracking 30 Hz, TSDF fusion 300 Hz at 5 mm and 900 Hz at 1 cm, meshing 25 Hz

使用設備

原文使用的感測器、運算硬體與載具（equipment）。型號保留原文寫法，連結到設備頁中同一型號的歸併名稱；角色依原文用途分為方法輸入、資料集感測器、執行運算平台、參考或真值量測（reference or ground truth）與比較對象設備。

類別型號（原文寫法）角色資料集原文規格出處
RGB-D 相機Asus Xtion sensor方法輸入未標示live scanning at 5 mm voxel resolution(Han & Fang, 2018, Sec. V)
運算硬體Microsoft Surface Pro tablet執行運算平台未標示portable tablet; FlashFusion runs on its CPU for live scanning(Han & Fang, 2018, Sec. V; footnote 1)
運算硬體Intel Core i7 7700 @3.6GHz CPU執行運算平台未標示CPU used for all dataset experiments(Han & Fang, 2018, Sec. V)

作者報告的優勢與限制

優勢

  • At 5 mm voxels TSDF fusion takes 3.6 ms and mesh extraction 38.4 ms, versus 483 ms and 1518 ms for CHISEL (Table IV)
  • ICL-NUIM surface error 0.8 to 1.3 cm on a CPU, close to BundleFusion (0.5 to 0.8 cm), which uses two high-end GPUs (Table III)
  • Sparse voxel sampling keeps more than 98% of truly valid chunks at about 2% of the computation on fr3/office (Sec. IV-B2, Fig. 4)
  • Globally consistent 5 mm reconstruction live on a Surface Pro tablet CPU (Sec. V)

限制

  • Keyframe-based fusion leaves minor artifacts at keyframe borders because surfaces seen only by local frames outside the keyframe are skipped (Sec. VI, Fig. 9)
  • Localization and surface accuracy remain below BundleFusion (Tables I to III)
  • Re-integration is limited to 10 previous keyframes with at most 10 local frames each per keyframe, so older frames are not re-integrated in full (Sec. IV-D) (inference)
  • The efficiency comparison is with CPU systems only (CHISEL, FastFusion); GPU systems are compared on accuracy (Sec. V-B)

營建工程相關證據

論文未在施工現場測試，評估使用 ICL-NUIM 合成室內、TUM RGB-D 辦公室與 ElasticFusion 的 dyson lab（整間實驗室 6400 張影格）資料，並以 Asus Xtion 接 Surface Pro 平板做即時掃描示範。只用 CPU 即達 5 mm 體素與全域一致，適合沒有 GPU 的輕量手持室內掃描設備；但作者的 GitHub 儲存庫在本次查核時只有說明檔、尚未釋出程式碼，實際採用受限。

原文驗證環境：公開基準、模擬

報告的性能數據

以下是原文作者報告的性能數值（author-reported results），不是本研究重新量測的結果。每張圖只並列同一個比較組（comparison group，同一張表、同一組實驗設定）內的方法；不同比較組之間的數值不可直接比較，也不構成排名。

本方法共出現在 9 個比較組，合計 30 筆紀錄。以下列出本方法紀錄最多的 4 組，其餘 5 組列在最後，並連到性能比較頁。

Han & Fang, 2018 · Table IV 本方法 6 筆

表格設定（擷取紀錄原文）：Efficiency comparison between CPU-based CHISEL and FlashFusion on TUM fr3/office at three voxel resolutions; time per operation in ms (Han & Fang, 2018, Table IV)

TSDF Fusion (ms)，TUM RGB-D · fr3/office (5mm voxels)

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Han & Fang, 2018 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：原文未報告；單位：ms；場景：indoor office desk loop

資料來源作者報告值(Han & Fang, 2018, Table IV)

數值與出處
方法（原文寫法）報告值出處
CHISEL硬體：Intel Core i7 7700 @3.6 GHz (CPU only)483 ms(Han & Fang, 2018, Table IV)
FlashFusion本方法原文提出硬體：Intel Core i7 7700 @3.6 GHz (CPU only)3.6 ms(Han & Fang, 2018, Table IV)

Wang et al., 2019 · Table I 本方法 4 筆

指標reconstruction accuracy (cm)

表格設定（擷取紀錄原文）：ICL-NUIM living room with simulated noise; reconstruction accuracy = mean difference between reconstructed model and ground-truth model; ORB-SLAM2 RGB-D mode for tracking, G_delta = 20; only FlashFusion and Ours run without GPU; 'Ours w/o loop' disables ORB-SLAM2 loop closure; comparator values coincide with FlashFusion Table III (Wang et al., 2019, Table I)

reconstruction accuracy (cm)，ICL-NUIM · kt0

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Wang et al., 2019 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：平均值（mean）；對齊方式：原文未報告；單位：cm；場景：synthetic indoor living room

資料來源作者報告值(Wang et al., 2019, Table I)

數值與出處
方法（原文寫法）報告值出處
BundleFusion0.5 cm(Wang et al., 2019, Table I)
ElasticFusion0.7 cm(Wang et al., 2019, Table I)
InfiniTAM [13] (Kaehler et al. ECCV 2016)1.3 cm(Wang et al., 2019, Table I)
FlashFusion本方法0.8 cm(Wang et al., 2019, Table I)
Ours原文提出0.7 cm(Wang et al., 2019, Table I)
Ours w/o loop (ablation: ORB-SLAM2 loop closure disabled)0.7 cm(Wang et al., 2019, Table I)

Han & Fang, 2018 · Table I 本方法 4 筆

指標ATE rmse (cm)

表格設定（擷取紀錄原文）：Localization accuracy on TUM RGB-D as ATE RMSE (Sturm et al.) in cm; alignment not stated (Han & Fang, 2018, Table I)

ATE rmse (cm)，TUM RGB-D · fr1/desk

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Han & Fang, 2018 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：均方根誤差（RMSE）；對齊方式：原文未報告；單位：cm；場景：real indoor office scenes, RGB-D camera (carrying mode not stated in the paper)

資料來源作者報告值(Han & Fang, 2018, Table I)

數值與出處
方法（原文寫法）報告值出處
RGBD SLAM [3] (Endres et al.)2.3 cm(Han & Fang, 2018, Table I)
ElasticFusion2 cm(Han & Fang, 2018, Table I)
BundleFusion (on-line)1.7 cm(Han & Fang, 2018, Table I)
BundleFusion (off-line)1.6 cm(Han & Fang, 2018, Table I)
FlashFusion本方法原文提出1.9 cm(Han & Fang, 2018, Table I)

Han & Fang, 2018 · Table II 本方法 4 筆

指標ATE rmse (cm)

表格設定（擷取紀錄原文）：Localization accuracy on ICL-NUIM (with noise) as ATE RMSE in cm; alignment not stated (Han & Fang, 2018, Table II)

ATE rmse (cm)，ICL-NUIM · kt0

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Han & Fang, 2018 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：均方根誤差（RMSE）；對齊方式：原文未報告；單位：cm；場景：synthetic living room

資料來源作者報告值(Han & Fang, 2018, Table II)

數值與出處
方法（原文寫法）報告值出處
RGBD SLAM [3] (Endres et al.)2.6 cm(Han & Fang, 2018, Table II)
ElasticFusion0.9 cm(Han & Fang, 2018, Table II)
BundleFusion (on-line)0.8 cm(Han & Fang, 2018, Table II)
BundleFusion (off-line)0.6 cm(Han & Fang, 2018, Table II)
FlashFusion本方法原文提出0.7 cm(Han & Fang, 2018, Table II)

其他比較組

列出其餘 5 個比較組

來源

  • Han & Fang, 2018

    Lei Han, Lu Fang（2018）FlashFusion: Real-time Globally Consistent Dense 3D Reconstruction using CPU ComputingRobotics: Science and Systems XIV (RSS 2018), 原文未報告 (paper 6)

    DOI 10.15607/rss.2018.xiv.006

    同儕審查已出版已讀全文近十年查證後修正

  • 專案頁面：lhanaf/FlashFusion GitHub repository (README only, no code released at check time) and project website www.luvision.net/FlashFusion cited in the paper https://github.com/lhanaf/FlashFusion

回到方法圖鑑

SLAM 點雲圖鑑

本站為綜述論文《SLAM-Based Point Clouds for Construction: A Review》研究過程的互動說明文件。互動圖為教學模擬，不代表任何特定系統的實測表現；方法描述、數值與結論以所引原始文獻為準。

內容基準日 2026-09-25 · 研究與網站製作使用 AI 輔助工具，見 證據標記與方法

選擇開啟Esc關閉