COLMAP论文阅读笔记——sfm算法、不定期更新

最新推荐文章于 2025-09-26 17:05:54 发布

原创

最新推荐文章于 2025-09-26 17:05:54 发布 · 7.3k 阅读

54 ·

CC 4.0 BY-SA版权

文章标签：

#slam #计算机视觉 #算法

本文探讨了一种增量式结构从运动（SFM）算法，旨在提高三维重建的鲁棒性和准确性。通过改进几何验证策略、引入次优视图选择、提出高效三角剖分方法以及采用迭代BA等手段，解决了传统SFM面临的完整性与鲁棒性难题。

文章目录

structure from motion revisited

structure from motion revisited

Sfm是对三维重建算法的统称，incremental sfm则表示他是增量式的，在鲁棒性准确性方面有巨大进步；但是灵活性、完整
性以及可伸缩性仍然是打破技术壁垒的关键问题。论文后半部分讲述完整的重建流程。sfm 是一系列不同角度拍摄的图像的
投影来重建3的结构的过程。

本文探讨的增量式sfm是具有迭代重构组件的顺序处理管道（一系列工序）。通常是先进行feature提取和匹配没然后进行几何验证。生成的场景图是重建的基础，之后模型讲植入仔细选择的双视角重建（重建作为一个名词，我还不能给出具体的形式），然后再递增注册新图像之前，将对场景中的点进行三角剖分（啥是三角剖分triangulating），过滤异常值，并且使用
ba对重建进行优化。

详细介绍：

第一步对应点搜索

首先会先在输入的图片中找到重叠（overlap）的场景。

输入的场景被定义为
$\{ I_i \quad | \quad i=1 \dots N_I\}$
在上述输入场景中找到重叠图像，标记相同的点的投影，输出是一组经过了几何验证的图像对以及每个点的图像投影图。

这里每个点是指对应点搜索中重叠部分的相同点

图像对被记作C

什么是几何验证——我猜测，是肉眼观察这些点确实是一个点

加粗部分为该步骤的整体概括。之后是细节步骤。

特征提取feature extraction

对于每个 I_i ,SFM都会检测到一个用以表示位置在X_j的特征集合
$F_i = \{ (x_j ,f_j) \quad | \quad j = 1\dots N_{F_i}\}$
对这些特征有约束：对辐射和几何变化下应该是不变的，使得SFM可以在不同的图像中唯一识别他们。SIFT和其衍生特征点以及最新了解的那些特征点在鲁棒性方面是事实标准，另外，二进制特征binary feature损失部分鲁棒性提高效率。