4.1 长距离（相机）轨迹定性实验结果 Qualitative Results on Large Trajectories

We tested the algorithm on several long and challenging trajectories, which include many camera rotations, large scale changes and major loop closures.

我们是在一些长距离，大难度的场景中跟踪（相机运动）轨迹，测试LSD-SLAM算法的，这些（相机运动）轨迹包括了许多相机旋转运动，大的尺度变化以及大闭环（等情况）。

改动_Labby: 我们控制摄像头进行一些长距离、高难度的轨迹运动来检测算法的性能，包括进行多次旋转、大尺度变化以及大闭环运动等。

Figure 7 shows a roughly 500 m long trajectory which takes 6 minutes just before and after the large loop closure is found.

示图（7）显示的是约500米的长距离（相机运动）轨迹，持续时间6分钟，在大回环闭合前后的截图。

Figure 8 shows a challenging trajectory with large variations in scene depth, which also includes a loop closure.

示图（8） 显示的是场景深度变化大的相机运动轨迹，其中还包含闭环情况。

image copy right belongs to engel14eccv paper， 图像摘录自 engel14eccv论文

Fig. 8: Accumulated pointcloud of a trajectory with large scale variation, including views with an average inverse depth of less than 20 cm to more than 10 m.

示图8：（相机运动）轨迹叠加的（半稠密）点云地图，其场景深度的尺度变化大，平均逆深度可以小到20厘米，大到可以超过10米。

After the loop closure (top-right), the geometry is consistently aligned, while before (top-left) parts of the scene existed twice, at different scales.

顶部示图左半部分是闭环前的场景，（两个红色圆圈表示）同样的局部场景在地图中出现两次（即：出现重影），且尺度大小不同。右半部分是大回环闭合之后的场景，（消除了之前的重影现象），使场景具有全局一致性。

改动_Labby： 左半部分——>左上角；右半部分——>右上角。

The bottom row shows different close-ups of the scene.

底部示图显示的是不同尺度下的局部场景特写。（从左到右场景拉伸，使场景尺度变大，译者额外添加备注说明）

The proposed scale-aware formulation allows to accurately estimate both fine details and large-scale geometry – this flexibility is one of the major benefits of a monocular approach.

我们提出的尺度感知公式（主要指 $\mathfrak{sim}(3)$ 直接法配准，译者额外添加备注），能够精确地估计场景细节和具有大尺度的场景几何特征—这种灵活性是单目SLAM方法的主要优势之一。