Dso dissection

DSO Dissection (Direct Sparse Odometry 解构)

Published: arXiv 1607.02565 (2016) · IEEE TPAMI 2018 · Engel, Koltun, Cremers (TUM CV Group + Intel Labs) arXiv: https://arxiv.org/abs/1607.02565 · Code: https://github.com/JakobEngel/dso（2.4k ★ · 922 fork · GPL-3.0 · 66 commits · master 最近 commit 2018-ish · 视同冻结） 核心定位: 主流视觉 SLAM 没有走的那条路。直接法跳过 keypoint，直接在原始像素亮度上最小化光度误差 —— 在富梯度场景下子像素精度赢，但光度标定强制、曝光变化致命、完全没有闭环。DSO 是经典直接 VO 的顶点；2018 之后注意力转向 learned-BA（DROID-SLAM）+ feed-forward dense（DUSt3R / VGGT）。

Status: v1。UNVERIFIED 数字 inline 标注；GitHub-validated pitfalls 锚 atlas。 TL;DR: DSO 证明视觉 SLAM 可以不用描述子，但代价是把 ORB-SLAM3 留给闭环的最后一公里整段砍掉。选 DSO 的人是为了单目稠密初始化 + 低纹理高梯度场景（如长走廊、HDR 室内）；选 ORB-SLAM3 的人是为了多 session + 多模态 + 闭环。两条路 2026 都没合流 —— 学界把希望挪给了 hybrid (3R-SLAM family) 和 feed-forward (VGGT)。

---

1 · X-Ray — 与 ORB-SLAM3 的架构对比

1.1 一句话差分

ORB-SLAM3 = ORB 特征 → 描述子匹配 → reprojection BA → DBoW2 闭环 → Atlas 多图 DSO = ~2000 个高梯度像素 → 直接 photometric BA on 滑窗 7 KFs → 没有闭环 → 没有 Atlas

   ┌─────────────────────────────────────────────────────────────────┐
   │  ORB-SLAM3 (Indirect)               vs  DSO (Direct)             │
   ├─────────────────────────────────────────────────────────────────┤
   │  ① ORB 提取 ~1000/frame · 8 ms     │  ① 选 ~2000 高梯度像素 · 5 ms │
   │  ② BRIEF 描述子匹配 · 3 ms          │  ② 无描述子 — 直接 warp     │
   │  ③ Reprojection error min          │  ③ Photometric error min    │
   │      ‖π(T·X) − u‖²                │      ‖I_j(π(T·X)) − I_i(u)‖² │
   │  ④ Local BA (~20 KF 滑窗)          │  ④ Photometric BA (7 KF 滑窗)│
   │  ⑤ DBoW2 闭环 + Atlas merge        │  ⑤ ❌ 无闭环 · 无 multi-map   │
   │  ⑥ IMU 选配（VI 模式）              │  ⑥ ❌ 无 IMU 支持（原仓）     │
   │  ⑦ Mono / Stereo / RGB-D           │  ⑦ Mono only（原仓）        │
   │                                                                  │
   │  入场费：ORB / DBoW2 / Atlas        │  入场费：**光度标定**（vignette │
   │           DBoW2 闭环训练            │            + 曝光 + γ）+ global   │
   │                                                                  │
   │  ⇒ 室内 manipulation / AR 默认      │  ⇒ 高梯度 + 已标定相机 实验场景  │
   └─────────────────────────────────────────────────────────────────┘

1.2 ⚡ Eureka Moment

跳过特征提取 —— ORB-SLAM 留 1% 的像素丢 99%；DSO 直接在原始亮度上跑优化。 “keypoint” 是降维近似 —— 当你信任光度标定时，原始像素本身就是更好的 residual。

直接法的根本主张：特征 SLAM 把 image 蒸馏成 keypoint 是信息损失。如果你愿意付出光度标定（vignetting + 曝光时间 + 非线性响应），你能直接拿亮度做 residual，子像素精度免费送、半稠密地图免费送、对低纹理场景更稳健。代价是 —— 你需要永远精确地拿到曝光值。

ORB-SLAM 的赌注：keypoint 抽象 + Hamming 距离 + 旋转不变足以在 messy real-world 取胜。 DSO 的赌注：精确光度模型 + 高梯度像素 + 滑窗优化精度更高。 2026 实证：ORB-SLAM 赢了 deployment；DSO 赢了精度（在它的小工作包络内）；hybrid（3R-SLAM）是真正的继任。

1.3 三线程？不，DSO 只有一个滑窗

    DSO 架构 — 单一 photometric pipeline，无 atlas，无闭环
   
   ┌──────────────────────────────────────────────────────────────┐
   │   📷 Mono camera @ 30 Hz（必须光度标定 — vignette/exposure/γ） │
   │            │                                                  │
   │            ▼                                                  │
   │   ┌─────────────────────────────────────────┐                 │
   │   │  ① POINT SELECTION                      │                 │
   │   │  选 ~2000 高梯度像素                       │                 │
   │   │  region-based 均匀分布（防角点局部聚团）   │                 │
   │   └────────────────┬────────────────────────┘                 │
   │                    │                                          │
   │                    ▼                                          │
   │   ┌─────────────────────────────────────────┐                 │
   │   │  ② DIRECT IMAGE ALIGNMENT (tracking)    │                 │
   │   │  对每一新帧 warp 滑窗内的点                │                 │
   │   │  Coarse-to-fine pyramid (4-5 层)         │                 │
   │   │  最小化光度残差 Σ ‖I_j(π) − I_i‖²          │                 │
   │   └────────────────┬────────────────────────┘                 │
   │                    │                                          │
   │                    ▼                                          │
   │   ┌─────────────────────────────────────────┐                 │
   │   │  ③ KEYFRAME DECISION                    │                 │
   │   │  几何 + 光度 + 平移阈值                    │                 │
   │   └────────────────┬────────────────────────┘                 │
   │                    │                                          │
   │                    ▼                                          │
   │   ┌─────────────────────────────────────────┐                 │
   │   │  ④ SLIDING WINDOW PHOTOMETRIC BA        │                 │
   │   │  联合优化:                                │                 │
   │   │   • 7 KF poses (SE3)                    │                 │
   │   │   • 每个 KF 的 affine 光度 (a_i, b_i)     │                 │
   │   │   • 每点 inverse depth ρ                │                 │
   │   │   • （可选）相机内参 / vignetting        │                 │
   │   │  Gauss-Newton + Schur 边化 depth        │                 │
   │   │  最老 KF marginalize 出窗（FEJ）         │                 │
   │   └────────────────┬────────────────────────┘                 │
   │                    │                                          │
   │                    ▼                                          │
   │   ┌─────────────────────────────────────────┐                 │
   │   │  ⑤ POINT MANAGEMENT                     │                 │
   │   │  immature → mature (depth 收敛)          │                 │
   │   │  outlier cull / marginalize             │                 │
   │   └─────────────────────────────────────────┘                 │
   │                                                                │
   │   ❌ 无 loop closure       ❌ 无 place recognition              │
   │   ❌ 无 Atlas multi-map    ❌ 无 IMU integration（原仓）        │
   │                                                                │
   └──────────────────────────────────────────────────────────────┘
   
   💡 关键洞见：tracking + mapping 合并在一个 photometric BA 里 —— 
      ORB-SLAM3 的「motion-only BA + local BA」二分在 DSO 里不存在。

---

2 · 数学核心

📌 Napkin Formula — Photometric Residual

   ORB-SLAM3 (Reprojection):
       r_ij = u_ij − π(T_i · X_j)                  ∈ ℝ²
       E = Σ ρ( ‖r_ij‖_Σ )                         (Huber)
   
   DSO (Photometric):
       r_ij = ( I_j(π(T_ji · X_i)) − b_j )         normalized intensity
            − (t_j · e^{a_j} / t_i · e^{a_i}) · ( I_i(p_i) − b_i )
       E = Σ_p Σ_obs w_p · ρ( ‖r‖_γ )              (Huber on intensity)
   
   联合变量：{ T_i ∈ SE(3),  (a_i, b_i),  ρ_p,  c_intrinsic }
              位姿        光度仿射          逆深度    内参（可选）

直觉：

• ORB 的 residual 单位是像素（reprojection），DSO 的 residual 单位是亮度差（光度）。
• DSO 多出来的 (a_i, b_i)：每 KF 一对 affine brightness 参数 —— 这是 DSO 不用 ORB 直接吃 HDR 切换 / 自动曝光的方式（理论上）。
• 没有 (a, b) 联合优化时，自动曝光相机 1 秒内可以让 DSO drift 翻倍。这就是 DSO 论文 §2 的核心贡献。

2.1 一个公式，一个尺度（vs ORB-SLAM3 三尺度）

   ORB-SLAM3：同一 reprojection 公式跑三层 BA（motion-only / local / full）
   
   DSO       ：只有一个 photometric BA on 滑窗 7 KF
              ─── 没有 motion-only（tracking 也是 photometric align）
              ─── 没有 full BA（没有闭环触发，所以也没机会）
              ─── marginalization prior 是唯一历史承载
   
   ⇒ 这是为什么 DSO 漂移会**单调累积** — 没有任何机制可以把误差「拉回去」。
     ORB-SLAM3 有闭环 → 几何修正；DSO 没有 → 只能希望滑窗够长 + FEJ 够稳。

---

3 · 📍 研究全景时间线 — Direct vs Indirect vs Semi-direct

2007        2011        2014                  2016         2017            2021+
PTAM ─────► DTAM ─────► LSD-SLAM ───────────► DSO ──────► ORB-SLAM2/3 ───► DROID-SLAM / VGGT
(features)  (dense      (semi-dense           (sparse      (features        (learned-BA /
            direct)     direct, ECCV 2014)    direct,      mature stack)    feed-forward)
                        │                     TPAMI 2018)
                        │
                        ├──► SVO (2014) ──────► SVO 2.0 (2017) ──► SVO-Pro (2021)
                        │    semi-direct       + IMU              + iSAM2 loop
                        │
                        └──► VINS-Mono (2018) — features + IMU (走 indirect 路)

   Direct lineage（亮度 residual）:   DTAM → LSD-SLAM → DSO  [frozen 2018]
   Indirect lineage（reprojection）:   PTAM → ORB-SLAM 1/2/3       [maintained-ish 2024-07]
   Semi-direct lineage（混合）:        SVO → SVO 2.0 → SVO-Pro    [UZH RPG, semi-active]
   
   Learned 继任：DROID-SLAM (2021) 把 BA 学出来；VGGT (CVPR 2025) 把 N-view 3D 学出来；
                3R-SLAM Hybrid (2025-2026) 把 learned 前端嫁接到 classical 后端。
   
   2026 现状：纯 Direct = research only；纯 Indirect = ORB-SLAM3 fork 文化；
              真实部署 = hybrid (FAST-LIVO2 / VINS-Fusion / 3R-SLAM family)

为什么 DSO 是终点不是中点？因为它要的”精确光度标定 + 全局曝光值”在真实相机栈（rolling shutter + auto-exposure + 温度漂焦距）里就是不可得的。Engel 后来去了 Oculus，Cremers 团队转向 DROID-SLAM。 没有继任者 = 不是没人想做，是物理学不让。

---

4 · 玩具例子：带数字走一遍

EuRoC MAV MH_01_easy（512×512 mono、20 Hz、室内、TUM mono dataset 光度标定）。x86 笔记本（Intel i7, 2018 测）UNVERIFIED：

步骤	时间/帧
Point selection（~2000 候选）	~5 ms
Direct image alignment（4-level pyramid，coarse-to-fine）	~12 ms
KF 决策 + photometric BA（仅在 KF 上）	~80 ms/KF（异步）
Marginalization + FEJ prior 更新	~10 ms/KF
总 tracking（非 KF）	~17 ms
总（KF 帧）	~100 ms（异步缓冲）

对比 ORB-SLAM3 室内 30 Hz：tracking 17 ms / local mapping ~100 ms/KF（异步）。数字几乎一样 —— DSO 不是更快，而是更精确（在它的小工作包络内）。

实测 ATE（论文 EuRoC MAV 报告）：DSO mono 室内 1-5 cm（在已光度标定 dataset 上）；ORB-SLAM3 stereo+IMU 2-10 cm（在所有 EuRoC 序列）。 陷阱：DSO 的 1 cm 是光度标定可控 下；丢掉 vignetting calibration，DSO 精度直接掉 10×（README 原话 “poor calibration can reduce accuracy by 10x”）。这不是 ORB-SLAM 的常规预算。

---

5 · 工程：为什么 DSO 是 frozen at 2018

GitHub 站点信号：

信号	值	解读
★	2.4k	历史影响力
Fork	922	派生很多但很少 upstream
Commits	66（master）	历史性低
Last commit	2018-ish	6+ 年无主线动作
Open issues	121	maintainer 静默
License	GPL-3.0 + 商业版（TUM）	派生有许可成本
ROS 2 port	❌ 主仓无；社区零散 fork	不能 plug-in modern stack
IMU 支持	❌ 原仓无	DM-VIO 等 fork 加 IMU 但未合主

Jakob Engel 去 Oculus 之后，TUM Cremers 组的注意力整段转向 deep learning 路线（DROID-SLAM, DUSt3R, MASt3R, MonST3R 都源自 Cremers/Niessner 圈）。原仓视同论文 reproducer，不是产品。

DM-VIO（Engel/Cremers 2022，DSO + IMU 紧耦合）是非官方”DSO 2”，但同样维护稀疏。TartanVO / DROID-SLAM 才是 direct lineage 的真正延续 —— 但它们已经不是 direct 了，是 learned。

---

6 · 能力与失败模式

出货场景: 离线 mono 重建（已光度标定 dataset）；研究用 photometric baseline；TUM mono dataset 复现；少数学术机器人 demo（地面慢速 + 已标定相机）。

失败场景:

• Rolling-shutter 相机 —— DSO README 明说”not recommended for rolling-shutter”。手机 / D435 / 一切 IMX477 类 sensor 排除。
• 自动曝光相机 —— 没有 a/b affine 模型外的 exposure metadata → drift 翻倍。
• HDR / 强光切换 —— affine 模型只吃 first-order brightness 变化；窗户 / 阴影边界 fail。
• 大基线 / 快速旋转 —— direct image alignment 收敛半径远小于 ORB 描述子匹配；快速旋转直接 lose tracking。
• 闭环场景 —— 永远不会发生 → 漂移单调累积。回到起点的累积 yaw / position 误差不会被修。
• 多 session —— 没有 Atlas。tracking lost = session 结束。
• 低帧率 (<10 fps) —— photometric assumption 要求帧间 brightness 平滑过渡。

6.1 Hidden Assumptions（隐含假设）

• 光度标定永远精确 —— vignetting / exposure time / non-linear response 三件都得标定 + 在每帧时间戳上拿到正确曝光值。任何一件 drift 就是 catastrophic。
• 静态刚性世界 —— 跟 ORB-SLAM3 一样，动态物体污染光度模型。
• Affine brightness 模型足够 —— 真实 HDR / 全局曝光变化超出 (a, b) 容量。
• Global shutter —— rolling shutter 让 warp 模型瞬间崩。
• 足够梯度像素 —— 全白墙 / 无纹理 → point selection 无候选 → tracking lost（feature SLAM 同样痛，但 DSO 没有 ORB fall-back）。
• 滑窗够长 + FEJ 够稳 —— 没有闭环兜底，滑窗 marginalization 必须永远健康。

6.2 GitHub 实地失败（atlas 联动）

• GitHub-validated：121 open issues + 主仓 6+ 年无动作 —— issue tracker 全是 build / 内存安全 / 依赖更新（Pangolin v0.6 / Boost / SuiteSparse），无 maintainer 回复；社区 fork 各做各的；详见 github_failure_atlas.md。
• GitHub-validated：use-after-free 内存安全 issue #269（2024-03 open）—— C++ 历史代码的 segfault；产品部署必须自维 patch；ORB-SLAM3 #919 heap corruption 类似但至少有社区 fork (thien94/...)，DSO 没有这样的归一 fork。
• GitHub-validated：光度标定文档缺失 issue #263 “Where photometric error is in this project” —— 用户不知道光度模型在哪、怎么对自家相机标定；TUM mono dataset 的标定文件没法迁移到 D435 / iPhone；这印证了”光度标定永远精确”的隐含假设在生产线上根本不成立。

---

7 · 7.5 · GitHub-validated pitfalls (2026-05-24 deep dive)

扫描 121 个 open issue，分布于 build hell / 光度标定不通 / memory safety / rolling-shutter 误用四大类。引用 issue 链接 + 原文。

#	Pitfall	Evidence	Severity	Workaround
1	Build hell on modern Ubuntu / Boost — Pangolin v0.6 / Boost 链接错误，Cmake 找不到符号	#261 “Update readme to use Pangolin v0.6 with c++11”; #260 “Error while linking executable”; #259 Boost link errors	🔴	Docker 锁 Ubuntu 18.04 + GCC 7 + Pangolin v0.6；社区 fork（如 JingeTu/DSO_for_Ubuntu）可能跑通新版
2	Use-after-free / 内存安全 — C++ 历史代码 dangling pointer	#269 “use-after-free issues etc.” (Mar 2024 open, no maintainer reply)	🔴	长 session 跑 → 不可预期 crash；不能用于生产；要自打 ASAN + 修
3	光度标定不可迁移 — TUM mono 标定文件没法用在自家相机	#263 “Where photometric error is in this project”（用户问光度模型在哪、怎么自标定，无回复）	🔴	必须用 TUM mono dataset photometric calibration 工具，全室内、慢速、需 chessboard pattern；自动曝光相机就放弃
4	Rolling-shutter 相机静默 drift — README 警告但用户照用	DSO README：“Not recommended for rolling-shutter cameras”；用户在 RealSense D435 / iPhone 上跑后报怪 drift	🟠	Sony IMX296 / Basler ace 等 global-shutter 是入场费；rolling-shutter 直接拒绝
5	FPS 报告不一致 / 性能调测困难 — pseudo-realtime 模式时间统计混乱	#268 “why the FPS and the time per frame are very different?”	🟡	不能从 stdout 时间判断真实负载；必须用外部 profiler
6	可重复性差 / RNG 未固定 — 同 dataset 多次跑结果不同	#270 “Fix random seed”	🟡	A/B 比较实验必须自打 patch 固定 seed；论文复现要小心
7	Maintainer 静默 + 商业版分流 — issue tracker 死寂，TUM 维护一个 commercial fork	DSO repo last commit 2018-ish · README：“professional version available for commercial purposes through TU Munich”	🟡	视主仓为论文 artifact；产品考虑 DM-VIO（Stumberg/Engel 2022）或彻底换 ORB-SLAM3 / VINS-Fusion
8	Pcd 输出格式问题 — point cloud 输出不易接 RViz / Open3D	#274 “pcd file format problem”	🟡	用户需自写 exporter；DSO 出的 sparse map 不直接消费

Repo health signal：2.4k ★ / 122 PR closed / 121 open issues / 0 ROS 2 主仓支持 / last commit ~2018 / 商业版分流 / Engel 个人 GitHub 主活动转向 [Oculus 内部 stack（不公开）]

读者实务含义：

1. DSO 是 2016 论文实现，不是 2026 活跃产品 —— 选它等于选 Docker 锁 + 自维内存安全 patch + 自做光度标定。
2. 工作包络：global-shutter mono + 已光度标定 dataset / 自标定鼓励 + 慢速运动 < 1 rad/s + 室内 + 静态场景。任一项偏离都进 #259/#260/#263/#269 已知坑。
3. 真产品 candidate 应该是 ORB-SLAM3（多 session + IMU）或 DROID-SLAM（learned BA, GPU 必备）或 3R-SLAM Hybrid（feed-forward + classical backend）。DSO 留作历史 + 光度法 baseline。

---

8 · 比较 & 面试 Tip

栈	Paradigm	前端	闭环	IMU	多 session	TRL
DSO	Direct	photometric	❌	❌（DM-VIO fork 有）	❌	🔬 frozen
LSD-SLAM	Semi-dense direct	photometric	✅（弱）	❌	❌	🔬 frozen 更早
SVO / SVO-Pro	Semi-direct	feature align + dense map	✅（Pro 加）	✅（Pro 加）	❌	🚀 UZH RPG drone
ORB-SLAM3	Indirect	ORB + DBoW2	✅	✅ tight	✅ Atlas	⭐ 室内默认
VINS-Fusion	Indirect + IMU	KLT	✅	✅ tight	△	⭐ aerial
DROID-SLAM	Learned BA	learned flow	✅（学的）	△	❌	🔬 GPU 必备
VGGT	Feed-forward	N-view transformer	n/a	❌	n/a	🔬 离线

🎤 Interview Tip：「DSO vs ORB-SLAM3 我们项目选哪个？」

正确答：「99% 选 ORB-SLAM3。DSO 的工作包络是 global-shutter + 已光度标定 + 慢速运动 + 室内 + 静态 + 不需要闭环 + 不需要多 session。这个交集小到几乎只有 TUM mono dataset 复现实验。如果项目允许 RGB-D / stereo / IMU，ORB-SLAM3 直接赢；如果只能 mono 且要 deployment，看 DSO 的 fork DM-VIO 或干脆走 VINS-Mono。如果是研究 photometric baseline，DSO 仍是 gold standard，但要接受 6 年无主线维护。」

错答：「DSO 比 ORB-SLAM 精度高所以选 DSO」—— 这是把光度标定可控的 dataset 测试当成生产环境精度。在自动曝光 / rolling-shutter / 户外 / 动态场景里，DSO 输得很难看。

追问：「为什么 direct method 没赢？」 答：「(1) 光度标定在真实相机栈不可得（vignetting drift + 自动曝光 + 温度漂焦距）；(2) 没有闭环 → 长 session 必然漂；(3) ORB-SLAM 的 DBoW2 + Atlas 把闭环和多 session 工程化了，direct method 一直没有等价物；(4) 2020 后 learned-BA（DROID-SLAM）+ feed-forward（VGGT）直接吃掉了 direct method 的’稠密 + 子像素’卖点。」

---

9 · Falsifiable Predictions（可证伪预测）

#	预测（2026-2027）	Falsifier
1	DSO 主仓 12 个月内不会有 major commit；issue #269 / #270 不会被 maintainer 回复	主仓 commit > 10 且 maintainer 标 closed
2	DM-VIO（DSO + IMU fork）不会取代 VINS-Fusion / ORB-SLAM3 在任何 robotic dataset benchmark 的 top-3 位	EuRoC / TUM-VI / KITTI benchmark DM-VIO 进 top-3
3	任何 production-tier robotic shipped product（>1k units）在 mono SLAM 上选 DSO 内核的不会出现	公开 BOM / robotics paper 显示 DSO 作 mono SLAM primary
4	3R-SLAM Hybrid（SLAM3R / Flash-Mono / EC3R-SLAM）2027 前会完全取代纯 direct method 在学术 mono SLAM 论文的位置	2027 mono SLAM 顶会论文仍以 pure direct 为基线 baseline
5	direct method 的复兴只可能通过和 feed-forward backbone（DUSt3R/VGGT）的 hybrid 实现	有纯 photometric method 在 2027 CVPR/ICCV 拿 best paper

---

10 · For the Reader（读者实务）

如果你正在 …

• … 复现 DSO 论文 → 用 Docker 锁 Ubuntu 18.04 + Pangolin v0.6；只在 TUM mono dataset 测；不要换相机。
• … 想做 mono SLAM 项目 → 先评 ORB-SLAM3 mono mode；只有当 ORB 找不到角点（白墙 / 高梯度但无纹理）且你能控制相机时再看 DSO。
• … 要 mono + IMU → 看 DM-VIO（Stumberg/Engel 2022）或 VINS-Mono；不是原 DSO。
• … 想加闭环 → 别用 DSO；DSO 没有 place recognition 模块，硬加要自己整 DBoW3 + RANSAC + photometric refine，工程量等于重写。
• … 想理解直接法 vs 特征法的根本张力 → 读 DSO 论文 §2-3 + 这篇 dissection §1-2。
• … 想看 direct method 的未来 → 看 DROID-SLAM (2021) → MASt3R-SfM (2024) → 3R-SLAM Hybrid family (2025-2026)。

---

11 · References

• DSO — Engel, Koltun, Cremers. IEEE TPAMI 2018. arXiv:1607.02565 · https://arxiv.org/abs/1607.02565
• LSD-SLAM — Engel, Schöps, Cremers. ECCV 2014（DSO 前身，半稠密）
• DTAM — Newcombe, Lovegrove, Davison. ICCV 2011（稠密直接法祖宗）
• DM-VIO — Stumberg, Cremers. ICRA 2022（DSO + IMU 紧耦合 fork）
• TUM mono dataset photometric calibration — Engel, Usenko, Cremers. arXiv 1607.02555
• Cadena SLAM survey — Cadena et al. IEEE T-RO 2016 · https://arxiv.org/abs/1606.05830（Direct vs Indirect 经典分类）
• DROID-SLAM — Teed, Deng. NeurIPS 2021（direct method learned 继任者）
• Code — https://github.com/JakobEngel/dso（GPL-3.0, 2.4k ★, frozen 2018）

---

12 · Boundary（与相邻文件的分工）

这一篇只管 DSO（direct sparse VO 的顶点）。

• ORB-SLAM3（indirect VO 对照） → ./orb_slam3_dissection.md
• SVO（semi-direct VO） → ./svo_dissection.md
• LSD-SLAM 与 DSO 的合并对比（含 LSD 半稠密 vs DSO 稀疏） → ./direct_methods_dso_lsd.md
• GitHub-validated 失败 atlas → ./github_failure_atlas.md
• PnP / DLT 几何基础 → ./pnp_dlt_primer.md
• Aerial 实时 VIO（VINS / OpenVINS / DROID） → ../../embodiments/aerial/vio/overview.md
• Feed-forward 3D 继任（DUSt3R / VGGT） → ../feed-forward-3d/
• 3DGS-SLAM 后端 → ../3dgs-family/gs_slam_dissection.md
• Ontology v3 Direct VO subdivision → ../../cheat-sheet/ontology.md §2

---

← Back to Classical SLAM · → ORB-SLAM3 dissection · → SVO dissection