InfiniTAM解析（1）

概述

InfiniTAM是基于voxel hashing基础上做的，我们先对voxel hashing介绍。
参考文献：”Real-time 3D Reconstruction at Scale using Voxel Hashing”。

Algorithm Overview

和 KinectFusion 一样也是利用 TSDF 模型对重建进行建模，只是在建模的时候，不是对整个空间都划分等大小的网格，只是在场景表面的周围划分网格。

system pipline

Data Structure

用无穷多个的网格将空间划分成 voxel blocks，每个voxel block是等大小的，每个voxel block包含83个voxels，每个voxel存储了 TSDF值，color和weight，voxel 的数据结构如下：

Voxel block只在待重建的表面分配显存，使用hash表来manage allocation和retrieval，哈希表存储了hash entry，每个hash entry存储了指向allocated voxel block的指针，根据3D点的坐标可以由如下方法计算hash value，即hash entry在哈希表中的索引：

H(x,y,z)=(x⋅p1⊕y⋅p2⊕z⋅p3) mod n

Hash entry的数据结构如下：

Resolving collisions

作者将hash table均匀地分成bucket，每个bucket对应一个hash value，每个bucket sequentially 存储了hash entries，当hash索引发生collision时，用bucket中的下一个entry存储voxle block的pointer。

通过选择合适的hash table和bucket size，bucket overflow一般不会发生，但是也有可能发生，当overflow时，在下一个bucket的free spot存储，在解决collision的时候，不会用bucket的最后一个entry去存储别的bucket的hash entry，最后一个entry用来解决当前bucket存储不足时，再别的bucket中存储的offset。

Hashing operations

Insertion

通过计算hash function在hash table中索引具有相同world space position的entry，如果可以找到，返回entry对应的block，如果找不到，则选择在第一个empty的entry处插入entry，如果bucket是满的，则在下一个bucket中插入（如上图2所示），在下一个bucket中插入时，不能在最末尾的entry插入（如上图3所示），最末尾的entry用来保存当前bucket不足时，向后插入的offset。为了防止GPU race condition，在一个bucket中插入entry时，将当前bucket锁住，并且对于在同一个bucket中进行操作的都放到下一帧才能重新开始。

Retrieval

根据world position计算hash value并且按照hash value在bucket中索引，如果有entry中的offset不是empty，还要按照offset再继续查找。因为对于entry的删除操作，会造成bucket中的entry有empty，当在bucket中索引出现empty时，也不会停止查找（如果找不到至少会搜索整个bucket）。

Deletion

删除的时候分三种情况

1、如果删除项就在bucket中，则直接删除，如上图5所示
2、如果删除项是bucket中的最后一个entry如上图4所示，则按照offset拷贝下一个entry代替当前entry，并且修改offset的值
3、如果删除是在其它bucket中，删除并且修改指针位置。

Voxel block allocation

在融合新的TSDF前，在相机视场内并且在truncation region内的hash entry和voxel block都必须先分配好。对于一幅新的深度图像，这里并行处理所有的像素点，为了补偿远距离测量时深度测量的大的不确定性，truncation 区域的大小而是按照深度图像的variance选取的。

对于深度图像的每个像素点，初始化一个到truncation region的interval bound，对于给定的预先定义好的resolution和block size，使用DDA计算和ray有交叠的voxel block，对于找到的有交叠的block，将block的entry插入到哈希表中（理想情况下，每个像素点初始化的ray应该用frustum而不是简单的用一个ray来做，但是用ray可以提高效率，并且即使在深度较大是算法性能上也没有多大的损伤）。这里是将全部的物理空间划分成等大小的网格，光线和truncation region计算相交的block时，truncation region根据深度值计算。

一旦在hash table中插入了一个hash entry，在GPU的显存堆预先分配好的区域中存储对应的block，所有的block都在GPU一块连续的存储空间中，用一个list来管理，list中存储了所有的还没有分配的block地址，新的block分配空间时，从list中的末尾元素获得地址，当一个block被删除时，删除的block放到list的末尾元素中。

Voxel block integration

融合的时候，并行地处理hash table中所有的entry，并且在一个数组中存储对应的block是否visible。用parallel prefix sum来扫描这个数组，将扫描后的visible的entry存储在另外一个buffer中。

Implicit Surface Update

生成的数组中存储的hash entry再用GPU并行处理更新block中的TSDF值，使用GPU的每个核心处理单个voxel block（而不是每个线程），一个单个的voxel block在一个单个GPU的核心中处理，这样可以最大化cache hits并且可以最小化code divergence，这样比用单个线程处理单个voxel block效率要高。

更新上述每个block中每个voxel存储的TSDF、weight和color更新TSDF时，对于近处的深度点权值设的相对较大，颜色更新时，最近测量的权值也设的相对较大。

上述更新对于所有的block操作，不管对应的block是否在truncation region内（即使surface被移动了，或者测量的有外点同样做更新），对于integration后还会再检查回收没有值的block（加权融合掉的）。

Garbage Collection

Garbage collection消除因为噪声外点或者moved surface产生的区域，对于每个block计算block中voxel TSDF值绝对值最小值和weight的最大值，如果weight的最大值为0或者最小的TSDF值大于一个阈值，将这个block标示为待删除的block，全部标识完后，再并行地删除前面标识的所有的block，当一个block被删除掉后，再将block对应的显存释放掉（将block的pointer挂到前面说道的heap的末尾）。

Surface extraction

使用raycasting在TSDF模型中提取隐含的表面，首先通过光栅化所有的在当前视角下分配的block来计算每个ray的start和end points。通过two passes来完成，并且生成两个最小深度和最大深度的两个z-buffers。

对于每个像素点，从最小深度值到最大深度值初始化一个ray，在ray marching过程中，需要估计voxel周围点的TSDF值，在这个过程中，没有分配的voxel block被当成empty space看待，通过和领域内的8个相邻voxel使用tri-linear interpolation得到world position的坐标，对于处在voxel boundary上的voxel，通过索引hash table中的entry来得到相邻的voxel。

为了提取surface interface（zero-crossing），需要计算sign change的voxel。为了加快ray marching的速度，作者跳过一个predefined interval，在找到zero-crossing后再用iterative line search估计surface location。

Camera tracking

几何point-to-plane ICP和photometric color估计相机运动。

Steaming

我们创建sphere包含当前相机的frustum，如上图所示，在相机离相机光心4米的地方，以8米的半径创建一个sphere，作为当前的active region，在每次pipeline的开始和每次位姿估计的结束都会有bidirectional streaming。

GPU-to-Host Streaming

我们并行的访问hash table并且标记移除active region的blocks，对于所有待移除的active region将其对应的hash entry删除，并且将删除的entry放到intermediate buffer里，并且对于这些entries对应的blocks复制到intermediate buffer中，原始的voxel blocks和entries重新放到heap的末尾，最后这些entry和block再拷贝到host。

在host中voxel data不在按照hash table的方式存储，而是将world space划分成chunks（each chunk 1 m3 ），voxel blocks用linked lists appended在这些chunks上。

Host-to-GPU Streaming

和GPU-to-Host不同的是Host-to-GPU在进行Steaming的时候将整个chunk从Host移到GPU中，这样可以提升效率。由于CPU的计算能力有限，host-to-GPU steaming每一帧只传输一个chunk，选择和相机的frustum center最近的chunk移到GPU中，通过intermediate buffers作为CPU到GPU传输的媒介，复制到GPU后将block的描述子即entries插入到hash table中，类似于在allocation中做的操作。

Steam and Allocation Synchronization

在steaming过程中一个重要的事情是要确保voxel block不要在host和GPU中重复出现，造成potential memory leaks。当从host向GPU steam时，有种可能是在等待被steam的voxel blocks重新进入view frustum，必须确保在后续的操作中在这些voxel blocks不会做再新分配voxel blocks。在GPU中存储binary occupancy grid，当block对应的值为1时，表示chunk在GPU中，allocations可以在GPU中进行，当值为0时，表示值在host中存储，allocation应该被杜绝。2563m3的Binary grid大概消耗512KB的显存。

版权声明：本文为博主原创文章，未经博主允许不得转载。