English
Parallel Structure from Motion from Local Increment to Global Averaging.docx
文件大小：
3671k
资源说明：【平行结构从运动到全局平均的并行SfM方案】
结构从运动（Structure from Motion，简称SfM）是一种计算机视觉技术，用于从多个视点的图像序列中恢复场景的三维结构和相机的运动轨迹。这篇文档是2017年CVPR会议论文的中文翻译，关注的是在SfM中实现精确性和稳定性的并行处理方法，特别是在大型数据集上的相机配准问题。
传统的SfM方法通常会通过丢弃相机间的关联性来简化问题，例如通过构建标志性图像的骨架几何结构，然后逐步配准剩余的相机。然而，这种方法可能导致重建精度和一致性的损失。相反，本文提出了一种相机聚类算法，它保持相机间的连通性，将大问题分解为小的子问题，这样可以有效地处理超过单台计算机内存的SfM任务。
相机聚类算法将具有重叠视野的相机分组为多个子集，然后在每个子集内进行局部SfM，计算相对姿态。通过混合局部增量SfM的结果，论文提出了在全局运动平均框架下进行相机姿态的平均，以消除潜在的不一致性和提高整体精度。这种方法借鉴了增量式SfM的稳健性，同时利用全局平均来确保一致性。
整个系统包括以下几个步骤：
1. 输入图像处理，特征点检测和匹配。
2. 相机聚类，形成相机簇。
3. 并行的局部增量SfM，恢复各相机簇的结构和运动。
4. 全局移动平均，得到一致的全局相机姿态。
5. 三维点的三角测量和BA（Bundle Adjustment）优化，进一步改进相机姿态和三维点的精度。
论文的主要贡献在于其高度可扩展的框架，能处理超出单机内存的SfM问题，以及提出的相机聚类算法和混合SfM方法。该方法在大型数据集，包括包含100多万张高分辨率图像的城市重建中，表现出高精度和鲁棒性，且优于现有的并行SfM解决方案。
相关工作方面，经典的增量式SfM方法如[45]通过P3P和RANSAC逐步恢复相机姿态，但对异常值的处理有限。本文的混合SfM方法结合了增量和全局方法的优点，不仅适用于小规模或顺序数据集，还能在大规模并行环境中运行。
该论文提出了一个创新的并行SfM框架，解决了大规模SfM中的关键挑战，即精确性和可扩展性，这对于处理现代高分辨率图像数据集尤其重要。通过相机聚类和混合SfM策略，实现了高精度的全局相机姿态恢复，为大规模三维重建提供了一条有效路径。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
