COLMAP — 多视图 SfM/MVS 重建
是什么
COLMAP Structure-from-Motion / MVS 三维重建学术基线。
日常类比：像用多张照片拼图还原房间 3D 模型的测绘员。
典型用法：克隆仓库读 README，跑官方最小示例，再对照源码目录理解模块边界。
为什么重要
- 学 SfM 特征匹配与束调整
- 摄影测量 pipeline
- 对照 meshroom GUI
- AR/测绘应用
核心要点
- 架构分层：先分清 UI/核心库/IO 边界，再读入口 main。
- 数据流：跟踪一份输入如何变成输出（帧、包、tensor）。
- 依赖：看清系统库与第三方，避免装错环境。
- 扩展点：插件、配置、钩子在哪里暴露。
- 运维：日志、指标、崩溃复现路径。
实践案例
案例 1：最小可运行
git clone <repo-url>cd colmap# 按官方文档安装依赖后运行 demo对照 README 的参数表，改一个选项观察输出变化。
案例 2：读源码入口
从 main / CMakeLists.txt / package.json 找模块图；画一张三框数据流草图。
案例 3：与邻居项目对照
对照 opencv 的实现差异：协议、语言、部署形态各写一条笔记。
案例 4：接入自己的管线
把输出接到下游（播放器、训练 DataLoader、会议客户端），记录延迟与格式约束。
案例 5：与双千 atlas 交叉阅读
写完本篇后，在 projects-atlas 打开同子类邻居 1 篇，检查实践案例是否覆盖安装/命令/排障。
踩过的坑
- 依赖版本漂移：按文档锁版本，否则编译失败难定位。
- 硬编解码路径：GPU/驱动差异导致黑屏或崩溃，准备软解回退。
- 权限与端口：服务器组件忘开端口或 HTTPS 证书，客户端连不上。
- 路径写死：示例用绝对路径，换机器必挂。
- 行数与模板：交付前用 quality-gate 扫一遍，避免关联链到未写 slug。
适用 vs 不适用场景
适用：
- 学习该领域开源架构与模块边界
- 做原型验证或自建服务
- 与专题内邻居对照读
不适用：
- 闭源 SaaS 一键替代（若需合规审计）
- 超大规模不经优化的默认配置
- 不看文档直接改内核 fork
历史小故事（可跳过）
- 项目源于社区/公司开源贡献，Stars 随场景周期性上涨。
- 近年多与云原生、GPU、WebRTC 生态交叉。
- 文档与 issue 常比论文更新快，读 release note 很重要。
- 与 study 站邻居项目常构成「编码-传输-播放」全链。
学到什么
- 先跑通再读码，效率高于反过来。
- 开源多媒体/系统栈多为「薄壳 + 厚库」。
- 配置即架构，改一个 flag 可能换一条数据路径。
- 关联笔记要优先链到
written.txt已有 slug。
核心架构
COLMAP 实现完整的 SfM（Structure from Motion）+ MVS（Multi-View Stereo） 管线：
SfM 阶段
- 特征提取：对每张图像运行 SIFT；支持 CPU 和 CUDA GPU 加速；输出关键点和 128 维描述子，存入 SQLite 数据库。
- 特征匹配：默认穷举匹配（Exhaustive）；大规模场景用**词袋模型（Vocabulary Tree）**检索加速，复杂度从 O(N²) 降到 O(N log N)。
- 几何验证：对匹配对用 RANSAC 估计基础矩阵，过滤外点，保留内点数 > 阈值的图像对。
- 增量 SfM：从最优图像对初始化→三角化→PnP 注册新图像→Bundle Adjustment（Ceres Solver）循环。
MVS 阶段
- 图像去畸变：用标定参数去畸变，输出到
dense/目录。 - PatchMatchStereo：基于 PatchMatch 算法估计深度图，CUDA 加速；每像素输出深度+法向量。
- Stereo Fusion：多视图深度图融合成稠密点云（
.ply）。
性能与规格
| 场景 | 典型耗时（8 核 CPU + RTX 3080） |
|---|---|
| 100 张图像 SfM（穷举匹配） | 5–15 分钟 |
| 100 张图像 MVS | 10–30 分钟 |
| 1000 张图像 SfM（VocabTree） | 30–90 分钟 |
| GPU 特征提取加速比 | 5–10× vs CPU SIFT |
Bundle Adjustment 收敛条件：Ceres 默认 max_num_iterations=100，残差下降 < function_tolerance=1e-6 即停止。
代码示例
完整三维重建命令（CLI 模式）
# 特征提取（GPU 加速）colmap feature_extractor \ --database_path ./database.db \ --image_path ./images \ --SiftExtraction.use_gpu 1
# 穷举特征匹配colmap exhaustive_matcher \ --database_path ./database.db \ --SiftMatching.use_gpu 1
# 增量 SfM 重建colmap mapper \ --database_path ./database.db \ --image_path ./images \ --output_path ./sparse
# 去畸变colmap image_undistorter \ --image_path ./images \ --input_path ./sparse/0 \ --output_path ./dense
# MVS 稠密重建colmap patch_match_stereo \ --workspace_path ./dense \ --PatchMatchStereo.gpu_index 0
# 融合点云colmap stereo_fusion \ --workspace_path ./dense \ --output_path ./dense/fused.plyVocabTree 加速匹配（大数据集）
# 下载预训练词袋树wget https://demuc.de/colmap/vocab_tree_flickr100K_words4K.bin
colmap vocab_tree_matcher \ --database_path ./database.db \ --VocabTreeMatching.vocab_tree_path vocab_tree_flickr100K_words4K.bin延伸阅读
关联
维护备注
- 合并后运行
npm run atlas刷新反向链接。