光束法平差

最小二乘问题详解21：稀疏GCP约束下的自由网平差与弱约束融合在本系列的前两篇文章中，我们分别探讨了增量式 SfM 的两个场景：带完全位姿先验的稳健重建（《最小二乘问题详解19：带先验约束的增量式SFM优化与实现》）与无先验约束的纯视觉自由网平差（《最小二乘问题详解20：无先验约束下的增量式SFM自由网平差》）。这两者代表了数据驱动与模型驱动的两种截然不同的技术路线，各自有着鲜明的优势与局限。

最小二乘问题详解20：无先验约束下的增量式SFM自由网平差在上两篇系列文章中，我们分别探讨了增量式 SfM 的核心骨架实现与多源信息融合策略。在第 18 篇《最小二乘问题详解18：增量式SFM核心流程实现》中，我们构建了算法的逻辑基座；而在第 19 篇《带先验约束的增量式 SFM 优化与实现》中，我们引入了 INS/GNSS 等外部位姿先验，构建了工业级稳健的重建系统。

最小二乘问题详解19：带先验约束的增量式SFM优化与实现在上一篇《最小二乘问题详解18：增量式SFM核心流程实现》中，我们成功构建了一个完整的增量式SFM（Structure from Motion）系统骨架。该系统从仿真数据出发，通过“初始化 -> PnP注册 -> 三角化扩展 -> 全局BA优化”的闭环迭代，最终实现了对相机位姿和场景结构的联合重建，并获得了亚像素级的优秀重投影精度。

最小二乘问题详解18：增量式SFM核心流程实现在上一篇《最小二乘问题详解17：SFM仿真数据生成》中，我们完成了一个至关重要的准备工作——构建了一个符合严格物理光学定律和摄影测量规范的“虚拟世界”。通过模拟无人机航飞流程，我们生成了包含真实地形（DEM）、相机位姿（Camera Poses）以及特征点观测（Tracks）的仿真数据集。这套数据集赋予了我们“上帝视角”：在算法运行之前，我们就已经知晓了重建的真值（Ground Truth）。

三维测量与建模笔记 - 5.3 光束法平差（Bundle Adjustment）此篇笔记尚未理解，先做笔记。如上图，在不同位姿下对同一个物体采集到了一系列图像，例子中有四张图片。物体上某点M，在四幅图像上都能找到其观测点。

我是有底线的