第 4 章 成图：三维重建

第 4 章 · 成图：三维重建

章节摘要：本章跟着一条线走——从原始素材到正式成图。三条路线并进：多视图几何的经典 SfM 加 MVS 流水线、深度图融合与泊松成图的工程路线、深度学习的新式装备。每条路线都交得出模型，也都有各自签发的误差报告。

一条主线

内业成图的主线是三条路线汇入同一张图。第一条是经典路线：只有一堆照片，特征匹配、增量式运动恢复结构、束调整、稠密匹配——纯几何推导把第一章"丢掉的深度"抢回来。第二条是主动路线：深度相机逐帧扫描，深度图配准、融合、泊松成图——第三章的技术在这里集大成。第三条是学习路线：神经网络从单张或少量图像直接预测三维——用数据先验换几何推导。三条路线的选择取决于素材形态：有照片走一，有深度相机走二，要求速度与鲁棒走三。

沿途站点

4.1 多视图几何与 SfM。对极几何、本质矩阵、增量式重建与束调整的完整流水线，重投影误差作为全程验收货币。

4.2 深度图融合与泊松重建。TSDF 体积融合：把逐帧深度图在体素网格里加权平均，再提取等值面——消费级扫描仪内核的完整拆解。

4.3 深度学习三维重建。单视图深度估计、点云生成网络、神经辐射场三条支线的原理与边界。

本章知识地图

一句金句：重建不是发明深度，而是用多视角、主动测距或数据先验这三种方式，向投影几何讨回被没收的深度。

拐点与结论

本章的认知转折在 SfM 一节：增量式重建"从两张照片白手起家"看起来像魔术，拆开后不过是第一章投影链的正反使用加第一章最小二乘的反复调用——束调整本质是一个巨型最小二乘，稀疏求解器让百万级参数的联合优化成为可能。第二个转折在神经辐射场：它不显式建点、不建网格，直接用网络记下"空间每点的颜色与不透明度"，绕开了第二章体素的三次方诅咒，代价是训练慢、不可编辑。理解"每条路线在用不同货币支付深度"，选型就有了准绳。

读完你应该

• 写出对极约束的几何含义，解释本质矩阵与基础矩阵的区别；
• 描述增量式 SfM 的完整流程，说出每一步的输入输出与失败模式；
• 解释束调整优化哪些变量、目标函数是什么、为何需要稀疏求解器；
• 实现 TSDF 融合的最小版本，说明截断阈值的作用；
• 对比神经辐射场与传统 MVS 的适用边界与成本结构。

远征日志：三条路线的实弹演习

成图阶段的"测量成果"是同一目标物的三份对照模型：若条件允许，找一个静物（一尊小雕塑、一把椅子），分别用手机环拍加 SfM、深度相机环扫加融合、单张照片加深学习深度估计各出一份模型，对齐后互相量误差。这个演习的价值远超读十篇论文——你会亲眼看到 SfM 在弱纹理面的空洞、深度相机在反光处的鬼影、学习模型整体形状正确但细节"圆滑"的系统偏差，三条路线的脾气从名词变成经验。演习的验收单只需要三行：各模型的重投影或配准残差、明显失真区域的位置、以及一句"如果重来我会选哪条路线、为什么"。

下一章的接力

成图是静态远征的终点，也是动态远征的起点。第五章 SLAM 把重建问题放到"边走边解"的框架下：相机在动、地图在长、误差在累积，回环校核成为收官动作。本章的束调整与位姿图优化，正是那里的技术直系亲属。