sfm即structure from motion。从一堆同一场景的照片中恢复场景的三维书是上下结构吗和照片拍摄时相机的位置可分为全局sfm和增量式sfm。
全局sfm主要包括以下步骤:
view graph如下越亮表示匹配点越多
validation check通過的如下白色所示,未通过为灰色
发布了18 篇原创文章 · 获赞 23 · 访问量 8万+
sfm即structure from motion。从一堆同一场景的照片中恢复场景的三维书是上下结构吗和照片拍摄时相机的位置可分为全局sfm和增量式sfm。
全局sfm主要包括以下步骤:
view graph如下越亮表示匹配点越多
validation check通過的如下白色所示,未通过为灰色
发布了18 篇原创文章 · 获赞 23 · 访问量 8万+
其他回答里增量式回答的挺全了重点谈一谈全局式重建吧。总的来说全局式和增量式各有各的利弊
增量式的劣势(drifting),一般通过考虑loop closure来部分解决今年的cvpr就有一篇slam的paper根据场景的相似度来修正drift。
重点谈谈如何解决全局式重建的劣势:即如何在存在大量错误的image matches 情况下依然较为准确地estimate camera pose近几年的大方向包括兩类
问题二(camera location estimation) 是指如果已知一些camera之间的相对方向(单位向量,没有距离信息而且其中一些是错误的,被污染的)如何找到这些相机嘚绝对位置 (up to a global scale and
问题一在2013年已经解决得不错了。代表文章有:
truth当时文章作者们只是empirically 观察到这个性质,理论证明是去年给出的
这些算法和楿关理论在其他领域也有应用,类似问题比如sensor network localization其他涉及SfM的大方向还有