《基于多视角图像的三维重建》
三维重建根据所用传感器的不同，可以分为主动式三维重建和被动式三维重建。主动式三维重建根据传感器去主动探测深度信息，常用的传感器包括激光雷达（LiDAR），结构光（Structured Light）和ToF（Time-of-Fight, 飞行时间）等。主动式三维重建适用的场景受限，而且通常硬件设备价格昂贵。而被动式三维重建通常只需要相机，而且适用场景较为广泛，因此受到研究人员的重视/青睐。被动式三维重建根据算法输入视图数目的不同，可以分为单目深度估计、双目立体匹配和多视图三维重建三种方式。
 |
| 三维重建方式分类 |
- 三维重建
- 激光雷达 【准确/稀疏/场景受限/探测距离受限/贵】 --> 自动驾驶
- 结构光/ToF 【快速出深度图/场景受限/探测距离受限/较贵】 --> KinectV1/V2、奥比中光
- 基于图像的三维重建 【成本低/算法性能在不断提升】
- 单目深度估计
- 双目立体匹配
- 多视图三维重建
基于图像的三维重建根据输入视图数可分为：单目深度估计、双目立体匹配和多视图三维重建。具体到每一种方式，如果三维重建是以恢复场景几何结构为目标，那么单目深度估计的深度图如果没有施加多视图的几何一致性（连续性）约束的话，那么重建三维几何的质量无法保证；而双目立体匹配计算的深度和双目相机的焦距和基线有关，如果需要获得较大的深度感知范围，则需要很大的基线距离，因此限制了双目立体匹配的应用范围。多视图立体匹配的输入图像为多幅单目图像，通过多视图之间的相似性搜索进行深度图的预测。多视图立体匹配的图像无需进行校正， 图像采集成本低，适用范围广， 因此多视图立体匹配广泛应用于各种场景的三维模型重建中。
 |
 |
 |
| 单目深度估计 (Eigen et al. 2014) | 双目立体匹配 (Middlebury Stereo Benchmark) | 多视图三维重建 (MVS Tutorial) |
- 单目深度估计
- 双目立体匹配：
depth=f·b/disp, 式中f为focal length(焦距)，b为baseline(基线)，深度探测范围受限于相机之间的基线距离 - 多视图三维重建
基于多视角图像进行三维重建的流程为：输入多视角采集的图像，输出对应场景的三维几何模型（点云/表面网格）。通常步骤包括：输入图像采集、运动恢复结构（Structure-from-Motion, SfM）、多视图立体匹配（Multi-view Stereo, MVS）和表面重建等步骤。
 |
| 基于多视角图像的三维重建 |
- 输入图像采集
- 运动恢复结构
- 多视图立体匹配
- 表面重建
多视图三维重建（此处指MVS）常用数据集包括DTU、Tanks and Temples和ETH3D，以及用于深度学习网络模型训练的BlendedMVS。具体内容可以参考multi-view-stereo-benchmark
 |
 |
 |
| DTU_scan83 | Tanks and Temples_Truck | ETH3D_courtyard |
为了评价三维点云重建的性能，使用F-score或平均绝对误差距离指标来定性评价重建结果的准确性和完整性。
- F-score的计算可以参考 Tanks and Temples Tutorial (Appendix B. Compute F-score)
- Overall Score的计算可参考 Yao et al MVSNet paper (Sec 5.1 Benchmarking on DTU dataset)
数据分类：室内物体、室内场景、室外物体、室外场景
对于物体类型的重建，推荐使用基于深度学习的PlaneSweeping方法；而对于大规模场景的重建，传统PatchMatch方法的泛化性更佳
https://github.com/ethan-li-coding/Datasets-of-MVS-reconstruction
https://github.com/XYZ-qiyh/Awesome-Learning-MVS#large-scale-real-world-scenes
作为多视图立体匹配的前置步骤，运动恢复结构为输入图像进行相机参数估计和场景稀疏重建。稀疏重建得到的3D点记为χ={X_k∈R^3 |k=1...N_X}，N_X为场景稀疏点个数。运动恢复结构算法可以被划分为增量式和全局式方法，增量式的方法速度相较于全局式方法速度慢但准确性高，而全局式的方法对外点不够鲁棒。以增量式运动恢复结构为例，其重建流程如下图所示。
 |
| 增量式SfM重建流程 |
增量式SfM首先从输入图像的特征点提取开始，由于SIFT特征具有尺度和几何不变性等特点，因此通常使用SIFT描述符来匹配不同图像之间的特征点，生成若干组可能的匹配点对。然后使用随机采样一致性（RANdom SAmple Consensus，RANSAC）策略来鲁棒地估计图像对之间的本质矩阵(Essential Matrix)，并剔除错误的匹配点对。在增量式重建阶段，从精心选取的两视图重建开始，通过图像配准和三角化不断地添加新视图和3D点。如果不进一步细化，SfM通常会迅速漂移到不可恢复的状态。考虑到过程中的误差累积，使用光束法平差（Bundle Adjustment, BA）对相机位姿和稀疏点位置进行优化，来最小化稀疏3D点在不同视角图像中的重投影误差。
基于稀疏特征点的方法是SLAM或VIO技术的标准，因为他们速度快、精度高。 “先检测再描述”是最常见的稀疏特征提取方法，具体地，首先检测特征点，然后对该特征点周围的块进行描述。描述子封装了更高级别的信息，这些信息被低级别的关键点所忽略。在深度学习之前，SIFT和ORB特征点被广泛用于低级别视觉任务的特征匹配描述子。而随着深度学习的出现，在很多的应用中取代了这些手工设计的特征。近年来，出现了SuperPoint、LIFT和GIFT等相关工作。 https://saraswathimamidala30.medium.com/superpoint-self-supervised-interest-point-detection-and-description-7d6b7b0ccf57
- 增量式SfM发展史：Bundler --> Visual SfM --> COLMAP
- 全局式SfM相关资料：OpenMVG --> DAGSfM
- 超大规模SfM 港科大权龙教授课题组工作
- colmap与深度学习结合的工作：pixel-perfect-sfm
- 纯深度学习做SfM的工作：BANet、DeepSFM
- 重复纹理场景下的SfM：sfm-disambiguation-colmap
- SfM与GPS信息结合：colmap-gps
- 非刚体SfM