三维重建

【工具】【算法】三维重建工具colmap服务器(ubuntu)编译cuda版本colmap常用于多视图重建，即利用多个相机多个视图或单个相机多个视图重建3D信息，获取相机内外参，其构建的点云是3DGS\4DGS 多视角渲染的初始化条件。但官方仅提供windows系统的cuda版本，如果linux/ubuntu要安装cuda版本用于加速重建，或密集重建，需要自己编译。由于自己在此踩了比较多的坑，因此记录一下。

【算法】三维重建colmap工具的输出格式colmap是广泛使用的多视图重建工具，可以利用多个视角的图像估计相机内外惨同时重建三维点云，他的输出格式需要一些了解以便后续任务的使用。本文理解自官方文档，作为个人记录使用，同时希望可以帮助到其他人。

【动态高斯重建】论文集合：从4DGT到OMG4、4DSioMo标题：4DGT: Learning a 4D Gaussian Transformer Using Real-World Monocular Videos 来源：Meta 现实实验室；浙江大学项目主页：https://4dgt.github.io

【视频生成】GVS：生成式视图拼接标题：GENERATIVE VIEW STITCHING 来源：MIT CSAIL ；RunwayML 项目：https://andrewsonga.github.io/gvs

影像云胶片：Dicom纯js的三维重建影像阅片器影像云胶片主要：通过浏览器浏览Dicom影像阅片，通过多终端设备（如电脑、平板、手机），为医生、患者及其他授权人员提供随时随地的影像调阅功能，打破时间和空间限制。同时，支持影像数据在不同医疗机构之间的安全共享，促进医疗协作与远程会诊的开展。主要功能：

【图像处理基石】通过立体视觉重建建筑高度：原理、实操与代码实现在智慧城市、无人机测绘、古建筑保护等场景中，快速准确获取建筑高度是核心需求之一。相较于传统激光雷达（LiDAR）的高成本，基于双目相机的立体视觉技术凭借低成本、易部署的优势，成为中小型场景下建筑高度重建的优选方案。本文将从基础原理出发，逐步拆解立体视觉重建建筑高度的完整流程，并提供可直接运行的Python代码，帮助开发者快速上手。

人类发明了工具

【三维重建-对极几何】极线约束（Epipolar Constraint）极线约束（Epipolar Constraint）描述了两幅图像中对应点之间的几何关系。对于两台相机拍摄的同一个三维点 P P P，它在两张图像中的投影 p p p 与 p ′ p' p′ 满足以下关系：

【3DGS复现】Autodl服务器复现3DGS《简单快速》《一次成功》《新手练习复现必备》博主镜像环境如下也可直接使用别人创建好的镜像，参考基于AutoDL平台的3D_Gaussian_Splatting初体验（博主为了练一下复现的能力就自己复现了，下述步骤算是比较简单了，应该可以一次成功）

【无标题】SceneSplat：基于视觉-语言预训练的3DGS场景理解标题：<SceneSplat: Gaussian Splatting-based Scene Understanding with Vision-Language Pretraining> 来源：阿姆斯特丹大学计算机视觉实验室、苏黎世联邦理工学院、索菲亚大学圣克利门特·奥赫里德斯基学院、南京航空航天大学、比萨大学、特伦托大学主页：https://github.com/unique1i/SceneSplat

结构光三维重建原理详解（1）结构光三维重建（Structured Light 3D Reconstruction）是一种主动式光学测量方法。其核心思想是：

【3D算法技术】blender中，在曲面上如何进行贴图？在Blender中给曲面贴图的方法与平面类似，但需要注意UV映射的处理，因为曲面的UV展开方式会直接影响贴图效果。以下是详细步骤：

【三维重建】3R-GS：优化相机位姿的3DGS最佳实践标题：<3R-GS: Best Practice in Optimizing Camera Poses Along with 3DGS> 来源：德州农工大学，2香港大学，3香港科技大学主页：https://zsh523.github.io/3R-GS/

论文介绍：“DUSt3R”，让 3D 视觉从“繁琐”走向“直观”想象一下，你有一组用手机随意拍摄的照片，没有校准，也没有任何关于相机位置的记录。如果想用它们来重建一个 3D 模型，传统的计算机视觉方法会让你头疼不已。你需要先校准每张照片的相机参数，然后进行复杂的特征点匹配，再通过三角测量和捆集调整（Bundle Adjustment）等一系列繁琐的几何计算，才能最终得到一个勉强可用的 3D 模型。

【3D算法技术入门】如何基于建筑图片重建三维数字资产？要基于建筑图片重建三维数字资产是一个复杂的计算机视觉任务，涉及图像采集、特征提取、相机姿态估计、稠密重建和三维模型优化等多个步骤。下面我将提供一个基于Python的解决方案框架，使用开源库实现从图片到三维模型的基本流程。

【python开发123】三维地球应用开发方案开发一个类似谷歌地图的三维地球应用是一个相当有挑战性的项目，尤其是计划在一周内完成。考虑到时间限制，我们需要采用轻量化设计并聚焦核心功能。

【无标题】GAP: 用文本指导对任何点云进行高斯化标题：<GAP: Gaussianize Any Point Clouds with Text Guidance> 论文：https://arxiv.org/pdf/2412.01931 来源：南京大学；复旦大学；华为诺亚实验室主页：https://weiqi-zhang.github.io/GAP.

【论文精读】3D Gaussian Splatting for Real-Time Radiance Field Rendering用于实时辐射场渲染的3D高斯溅射算法 https://doi.org/10.1145/3592433图1 我们的方法实现了辐射场的实时渲染，其渲染效果与现有方法[Barron et al 2022]一样有着最佳渲染效果，所以仅仅需要优化时间来超越现有的方法[Fridovich-Keil and Yu et al 2022; Müller et al 2022]。能够实现这样的效果关键是使用了一种新颖的3D高斯场景的表示方法，这为场景优化和新视图的合成提供了加速支持。注意，在相同训练时间下，我们实现了与In

Hierarchical-Localization 安装与常见问题解决手册Hierarchical-Localization (hloc) 是一个基于深度学习的图像定位与三维重建工具箱，支持多种特征提取与匹配方法（如 SuperPoint、LightGlue、SuperGlue、SIFT、LoFTR 等），常用于结构光重建、视觉定位、SLAM 等任务。

OpenCV 官翻 4 - 相机标定与三维重建https://docs.opencv.org/4.x/dc/dbb/tutorial_py_calibration.html

3D Gaussian Splatting (3DGS) 从入门到精通：安装、训练与常见问题全解析3D Gaussian Splatting (3DGS) 作为一种新兴的实时神经渲染技术，以其惊人的渲染速度和高质量的视觉效果迅速获得了社区的关注。然而，从环境配置到数据准备，再到模型训练和结果导出，整个流程中充满了各种可能令人困惑的“坑”。