【三维重建整体框架与学习路线笔记】

【三维重建整体框架与学习路线】
图文均来自计算机视觉life

主要技术：

多视图立体几何，深度图估计，点云处理，网格重建和优化，纹理贴图，马尔科夫随机场，图割等。

主要方向：

三维重建流程：

输入图像和位姿（SFM/Slam）——>稠密重建——>点云融合——>初始网格重建——>网格优化——>输出纹理贴图

传统MVS的局限性：

基于光度一致性的MVS重建

优点：精度高，对硬件要求低，测量范围大

局限性：无纹理，透明/反光，重复纹理

基于深度学习的MVS：

优点：

基于学习的特征——>匹配更鲁棒

基于shape先验——>重建更完整

局限性：

内存限制，难以重建高分辨率

依赖大数据

基础概念介绍：

深度图（depth）/视差图（disparity）

深度图：场景中每个点到相机的距离

视差图：同一个场景在两个相机下成像的像素的位置偏差dis

两者关系：

是三维信息的一种表示方式

三维点云（point cloud）：

某个坐标系下的点的数据集

包含了丰富的信息，包括三维坐标XYZ，颜色RGB等信息

三维网格（mesh）

由物体的邻接点云构成的多边形组成的

通常由三角形，四边形或者其它的简单凸多边形组成

纹理贴图模型（texture mesh）

带有颜色信息的三维网格模型

所有的颜色信息存储在一张纹理图上，显示时根据每个网格的纹理坐标和对应的纹理图进行渲染得到高分辨率的彩色模型

坐标系：

三维数据格式：

obj和ply用的比较多