概述
Overlap, stable visual features, calibration, and suitable control information determine how useful the reconstruction is for mapping, measurement, or visualization.
深入探讨
A feature-based pipeline finds and matches identifiable scene points across overlapping photographs. Structure-from-Motion estimates camera poses and sparse 3D structure, then bundle adjustment refines the reconstruction by minimizing reprojection errors. Multi-View Stereo uses camera information to build denser geometry that can be meshed and textured. Image-only reconstructions do not automatically establish real-world scale and coordinates; surveyed ground control or other suitable references supply those constraints. Capture should provide overlapping viewpoints and matchable texture. Moving objects, weak texture, and changing reflections can undermine correspondences. Accuracy must be measured for the actual capture and control setup rather than inferred from a software name or an unqualified sub-centimeter promise.
现实世界的实施
基于无人机的航空勘测生成建筑和采矿场地的地形图和体积估计
将考古遗址和博物馆文物数字化为高保真 3D 模型以供保存和研究
为视频游戏和电影视觉效果创建逼真的 3D 扫描资产（岩石、墙壁、道具）
法医犯罪现场和事故重建，从照片中捕获精确可测量的 3D 记录
摄影测量的未来
摄影测量越来越多地与神经方法融合。 SuperPoint 和 SuperGlue 等学习特征匹配器在硬场景上的性能优于经典检测器，神经渲染（NeRF、高斯泼溅）正在与摄影测量相结合，以填补空白并生成逼真、可重新照明的资产。期待更严格的实时移动捕捉、自动 LiDAR 相机融合以及消除移动物体和反射的 AI 清理，从而在消费类手机上实现可靠的 3D 重建例程。
付诸实践
为什么这很重要
- 速度与规模. 视觉人工智能可以大规模自动化检查、检测和标记任务。
- 构建选择. 创意团队可以通过更少的手动修改更快地构建概念原型。
- 团队与工作流程. 操作可以使用以前难以处理的图像和视频信号。
留意
- 如果出处不明，肖像权和同意可能会成为法律风险。
- 模型性能可能因光照、人口统计和环境的不同而有所不同。
- 除非监控置信阈值，否则误报可能会被忽视。
后续步骤
- 定义精确度、召回率和错误成本的接受标准。
- 使用符合实际生产条件的数据进行测试。
- 为低置信度或高影响力的预测添加人工审核。
- 跟踪模型漂移并在相机或数据集更改后重新验证。
不断探索
常见问题
什么是摄影测量？
Photogrammetry estimates geometry and camera relationships from photographs of the same scene. Overlap, stable visual features, calibration, and suitable control information determine how useful the reconstruction is for mapping, measurement, or visualization.
摄影测量工作对输入照片的主要要求是什么？
摄影测量通过匹配从多个视点拍摄的照片中的相同特征来对 3D 点进行三角测量，因此大量的重叠和角度变化至关重要。
运动结构 (SfM) 计算什么？
SfM 根据图像集中的特征匹配来联合估计每个相机的姿态和稀疏 3D 点云。
捆绑调整可以最大限度地减少什么？
捆绑调整是一种大型最小二乘优化，可最大限度地减少观察到的图像点与估计 3D 点的重投影之间的差异。
SfM 之后多视图立体 (MVS) 的作用是什么？
MVS 使用 SfM 中的已知相机姿势生成具有数百万个点的密集重建，这些点可以进行网格划分和纹理化。
为什么地面控制点 (GCP) 经常用于测量级摄影测量？
GCP 是具有已知坐标的测量标记，可将重建与现实世界的参考系联系起来，从而提高度量精度和规模。