毕设笔记：colmap

参考文献

colmap hierarchical_mapper命令

hierarchical_mapper：在执行特征提取和匹配后，使用分层SfM对数据集进行稀疏3D重建/映射。通过将场景划分为重叠的子模型，然后独立地重建每个子模型，并行化重建过程。最后，将重叠的子模型合并为单个重构。建议在此步骤之后运行几轮点三角测量和束调整。

原以为需要编译源码才能使用hierarchical_mapper，后来发现在命令行模式就可以直接调用该命令，省了不少功夫。
该命令只能用于稀疏重建。
待研究：稠密重建是否可以分组？

合并断开连接的模型
有时，COLMAP无法将所有图像重建为同一模型，从而产生多个子模型。如果这些子模型具有共同的注册图像，则可以将它们合并到单个模型中作为后处理步骤：

colmap model_merger \
    --input_path1 /path/to/sub-model1 \
    --input_path2 /path/to/sub-model2 \
    --output_path /path/to/merged-model

为了提高两个子模型之间的对齐质量，建议在合并后运行另一个全局丛调整：

colmap bundle_adjuster \
    --input_path /path/to/merged-model \
    --output_path /path/to/refined-merged-model

//本来以为这个命令可以合并分组重建的子模型，结果发现不行，重建模型的图片必须一样才行，不确定把图片数量和图片名改成一致是否可行

特征匹配

视频截图、顺序采集图像用顺序匹配+词汇树，比穷举匹配快得多

表面网格重建

泊松曲面重建通常需要几乎无异常值的输入点云，并且在输入数据中存在异常值或大孔的情况下，它通常会产生不良表面。与 Poisson 算法相比，基于 Delaunay 三角测量的网格划分算法对异常值更可靠，并且通常更易于扩展到大型数据集，但它通常产生的表面不太光滑。这两种算法也可以结合使用，方法是首先运行 Delaunay 网格划分，从稀疏或密集的点云中稳健地过滤异常值，然后在第二步中执行 Poisson 曲面重建以获得光滑的曲面。