旋转矩阵用9自由度描述三自由度旋转，冗余；旋转向量和欧拉角是紧凑的，但是有奇异性。
四元数是一种紧凑+非奇异表达。三维旋转可以用单位四元数表示。
四元数拥有一个实部+3个虚部。
单应矩阵(Homography)描述两个平面之间的映射关系。需要4对匹配点(八点法)。
特征点共面or纯旋转情况发生退化。
F为基础矩阵，E为本质矩阵，都由对极约束定义
由于旋转平移各自有3个自由度，但同时考虑尺度不确定，因此E为5自由度。由此，说明最少需要五点来求解。但E内部为非线性性质，求解线性方程会比较麻烦，因此只考虑尺度等价性质，使用9-1=8点法求解。
八点法求解得到E后，后续可通过SVD分解得到R，t。分解时容易有4组解，但是带入深度后只会保留一组正确解。
- 径向畸变(分为桶形和枕形畸变)：透镜形状导致。下文中的k。
- 切向畸变：相机组装过程透镜和成像平面没有严格平行。下文中的p。
其中，畸变模型还分为：针孔畸变模型、鱼眼畸变模型
- 针孔畸变模型一般包含：k1，k2，p1，p2，k3.
- 鱼眼畸变模型：鱼眼相机的设计引入了畸变，因此鱼眼相机所成影像存在畸变，其中径向畸变非常严重，因此其畸变模型主要考虑径向畸变。鱼眼模型的分析有多种多样，不详细展开，一般OpenCV用多项式模型近似表示，对于入射角theta，使用如下共识表达：
参考资料：https://codeantenna.com/a/w6CmtokJwn
RANSAC全称：随机采样一致算法。
-
高斯牛顿(Gauss Newton):将f(x)进行一阶泰勒展开，使用J.T*J作为了二阶Hessian矩阵的近似。
-
LM：信赖区域方法。使用一下公式判断梯度的近似效果(真实下降值与梯度推导下降值之比)：
当其值接近1，意味着近似效果好。当其值大于1，说明实际下降效果很好，可以放大半径，反之，缩小半径。
LM的常用形式之一：
labmda接近0时，类似高斯牛顿法，二次型近似不错；labmda变大，接近最速下降(1阶梯度)。
-
Dog Leg: 以信赖域为中心。高斯牛顿法的步长在信赖域中，用高斯牛顿；最速下降的步长在信赖域之外，用归一化到信赖域的最速下降；高斯牛顿法超出信赖域，牛顿法没有超出，找到一个比例，使得两者的加权和在信赖域上。 $$ \left{\begin{array}{ll} \text { if }\left|h_{g n}\right| \leq \Delta & h_{d l}=h_{g n} \ \text { else if }\left|\alpha h_{s d}\right| \geq \Delta & h_{d l}=\frac{\Delta}{\left|h_{s d}\right|} h_{s d} \ \text { else } & h_{d l}=\alpha h_{s d}+\beta\left(h_{g n}-\alpha h_{s d}\right) \ & \text { 选择 } \beta \text { 使得 }\left|h_{d l}\right|=\Delta \end{array}\right. $$
- Huber: $\rho(s)=\left{\begin{array}{ll}s & s \leq 1 \ 2 \sqrt{s}-1 & s>1\end{array}\right.$
- SoftLOneLoss:
$\rho(s)=2(\sqrt{1+s}-1)$ - Cauchy:
$\rho(s)=\log (1+s)$ - Acrtan:
$\rho(s)=\arctan (s)$ - Tolerrant:
$\rho(s, a, b)=b \log \left(1+e^{(s-a) / b}\right)-b \log \left(1+e^{-a / b}\right)$
激光雷达畸变产生的原因：1.激光点云数据不是瞬时同时完成；2.激光点云获取时机器人正在运动。
- TODO 补充
- Schur 消元，利用H稀疏特性，先求解路标的坐标再求解相机位姿。
ORB = Oriented Fast + BRIEF
尺度不变通过金字塔实现，旋转不变通过灰度质心实现。
Harris角点的优点
- 计算简单
- 提取的点特征均匀且合理
- 稳定：Harris算子对图像旋转、亮度变化、噪声影响和视点变换不敏感
Harris 算子的局限性
- 对尺度很敏感，不具有尺度不变性
梯度消失与梯度爆炸其实是一种情况。两种情况下梯度消失经常出现，一是在深层网络中，二是采用了不合适的损失函数，比如sigmoid(sigmoid容易导致梯度消失)。
解决方案：1.微调+预训练；2.权重正则化；3.调整激活函数；4.BatchNorm；5.残差结构
权重正则化：L1正则化与L2正则化
-
正则化(Regularization) 是机器学习中对原始损失函数引入额外信息，以便防止过拟合和提高模型泛化性能的一类方法的统称。也就是目标函数变成了原始损失函数+额外项，常用的额外项一般有两种，英文称作ℓ1−normℓ1−norm和ℓ2−normℓ2−norm，中文称作L1正则化和L2正则化，或者L1范数和L2范数（实际是L2范数的平方）。
-
L1正则化可以使得参数稀疏化，即得到的参数是一个稀疏矩阵，可以用于特征选择。
- 稀疏性，说白了就是模型的很多参数是0。通常机器学习中特征数量很多，例如文本处理时，如果将一个词组（term）作为一个特征，那么特征数量会达到上万个（bigram）。在预测或分类时，那么多特征显然难以选择，但是如果代入这些特征得到的模型是一个稀疏模型，很多参数是0，表示只有少数特征对这个模型有贡献，绝大部分特征是没有贡献的，即使去掉对模型也没有什么影响，此时我们就可以只关注系数是非零值的特征。这相当于对模型进行了一次特征选择，只留下一些比较重要的特征，提高模型的泛化能力，降低过拟合的可能。
-
L2正则化可以防止模型过拟合（overfitting）；一定程度上，L1也可以防止过拟合。
-
L1对模型权值的绝对值之和约束，L2的模型权值的平方和约束！
-
L1容易得到稀疏的解，L2容易得到平滑的解。
因为深层神经网络在做非线性变换前的激活输入值（就是那个x=WU+B，U是输入）随着网络深度加深或者在训练过程中，其分布逐渐发生偏移或者变动，之所以训练收敛慢,所以这导致反向传播时低层神经网络的梯度消失，这是训练深层神经网络收敛越来越慢的.
BN就是通过一定的规范化手段，把每层神经网络任意神经元这个输入值的分布强行拉回到均值为0方差为1的标准正态分布 ，其实就是把越来越偏的分布强制拉回比较标准的分布，这样使得激活输入值落在非线性函数对输入比较敏感的区域，这样输入的小变化就会导致损失函数较大的变化,记住“保持数据同分布”即可。
-
回归问题L1 loss、L2 loss
L1损失与L2损失的区别：L2损失的收敛速度更快，但是受到离群点的影响更大
-
分类问题：交叉熵损失
BGD：batch gradient descent，使用整个batch的数据计算梯度。优点是梯度下降比较稳定，缺点是太耗时。
SGD(随机梯度下降法)：是一种使用梯度去迭代更新权重参数使目标函数最小化的方法。每次更新只选取一个mini-batch，计算速度大大提高，但是每一步的下降不一定都是最优的，会有震荡。
mini-batch（MBGD）：小批量梯度下降算法是折中方案，选取训练集中一个小批量样本（一般是2的倍数，如32，64,128等）计算，这样可以保证训练过程更稳定，而且采用批量训练方法也可以利用矩阵计算的优势。这是目前最常用的梯度下降算法。
随机梯度下降（SGD）：随机梯度下降算法是另外一个极端，损失函数是针对训练集中的一个训练样本计算的，又称为在线学习，即得到了一个样本，就可以执行一次参数更新。所以其收敛速度会快一些，但是有可能出现目标函数值震荡现象，因为高频率的参数更新导致了高方差。
动量梯度下降（momentum）：引入一个指数加权平均的知识点。可以使得梯度方向不变的维度上速度变快，梯度方向有所改变的维度上的更新速度变慢，这样就可以加快收敛并减小震荡。
RMSprop：更新权重的时候，使用除根号的方法，可以使较大的梯度大幅度变小，而较小的梯度小幅度变小，这样就可以使较大梯度方向上的波动小下来，那么整个梯度下降的过程中摆动就会比较小
Adam：Adam算法结合了Momentum和RMSprop梯度下降法，是一种极其常见的学习算法，被证明能有效适用于不同神经网络，适用于广泛的结构。
参考资料：Deep-Learning-Interview-Book
sigmoid(容易出现梯度消失)、ReLU、Tanh
其它一些函数：
softmax（用于分类任务）：
- TODO
- TODO
- Instant Neural Graphics Primitives with a Multiresolution Hash Encoding
- TensoRF: Tensorial Radiance Fields
- R2L
- Ha—Nerf
- Nerf in the wild: 没开源，复现性能困难
- Neus： 难以加速
- Neural RGB-D Surface Reconstruction
- Learning Object-Compositional Neural Radiance Field for Editable Scene Rendering
HDR-NeRF
- NeRF in the dark
引入先验
- pixelNeRF
- Putting NeRF on a Diet
- MipNeRF
- BARF
- NeRF--
- GNeRF
- self-calibration neural radiance field
- Deblur NeRF
TODO
TODO
TODO
vim使用