SLAM和三维重建中的SFM区别

参考1：Qiang

回答中很多人提SLAM比三维重建多了一个L（location），我想也许可以稍微深入一点。

我们看一下定义：

• （1）SLAM：同步定位与地图构建；定谁的位？相机的位，相机在机器人身上，就是定机器人的位。建谁的地图？相机经过地方的地图。二者结合，才能确定机器人在某个地图中的具体位置，和这个场景（地图）下的连续运动轨迹。
• （2）三维重建（SFM）：从运动恢复结构。我觉得更像是构建目标的三维模型。然后，我们看一下流行算法的效果：

SLAM：蓝色表示运动位置。

图1：LSD-SLAM-运动轨迹和稀疏的场景地图，黄色表示位置之间的约束，这是优化问题，不展开。

图2：ORBSLAM2-运动轨迹和稠密(Dense)地图

SFM：

图3：KinectFusion-构建目标三维地图

图4：ElasticFusion-构建场景地图

我们可以看出，SFM中构建的三维模型是很漂亮的，目标是人，就构建人，目标是是物，就构建人，目标是地图，就构建地图的三维模型，所以我更愿意定义SFM：构建目标的三维模型。

SLAM（侧重定位）和SFM（侧重建图）联系很大的，大佬们为什么要把这两个东西分开？既估计出相机的运动轨迹，又把经过所有的地方（整个场景包括人，桌子，椅子）都构建出来，这不是更perfect的方案吗？

因为.....做不到，计算量达不到。

在SLAM中，现有方法可以做到小场景下的“相对”稠密化建图（图2），而在大场景下（图1）是难以实现的。当你的目标是导航，就需要实时性的定位，大场景稠密地图的读取和储存，现有硬件条件是不可能达到的，但是，越稠密的地图才能更好的帮助机器人进行自主定位。所以，现在发展二十年之久的SLAM的遗留问题就有，稀疏地图稠密化（我构建了稀疏地图，但是为了自主导航，这个地图不够用），或者稠密地图的稀疏表达（典型工作octotree）。

SLAM中的M什么时候能变成，真正能用做语义分割和识别的dense mapping，机器人的自主性会得到极大的进步。

参考2：akkaze-郑安坤

稍微修改一下这个回答，准确点说slam应该去和sfm比较，不能直接和三维重建比较。

slam最重要的作用是定位，相机要知道自己的姿态，因为需要的姿态通常都是3d的，所以在恢复3d姿态的时候，使用pnp方法能得到不少3d点，这些3d点也能成为新的地图，但是多半是稀疏的，当然这是非直接法，直接法会计算图像梯度变换比较大的地方的深度，所以最终能得到半稀疏的地图。slam属于稀疏重建的范畴，它也没有刻意要去重建某个目标，并且要求运行速度很快，通常是在线的，否则在某些场景里面就要出事故，slam要求速度大于精度，所以slam只会在关键帧间做BA，非关键帧都会使用基于filter的方法。

然后是sfm，structure from motion，它和slam的功能其实是最像的，它的目的也是为了求解相机姿态，同样也能得到3d的稀疏点，它和slam最大的不同在于它要求精度更高，能做BA的地方通常都会做BA。

三维重建是密集重建，它和前面两个算法最大的区别在于它需要恢复深度图出来，至少是关键帧的深度图出来。恢复深度图的通常是立体匹配，如果是rgbd的话能直接从sensor得到。

立体匹配也有两种主流方法。我个人认为可以分为sgm一类，patchmatch一类。个人觉得最主要的区别在于patchmatch能利用前面slam或者sfm解算出来那些稀疏的3d点，然后在全图像平面传播。sgm只能从头开始做匹配。

当然恢复出来深度图以后还有各种深度图融合算法。因为对三维模型的表示也有好几种方式，基于三角网的，基于voxel的，基于tsdf的。每一种的融合方法都不一样。这是一个大的课题。总的来说，到这里，三维重建和slam已经完全不一样了。

参考3：育心

针对这个问题，专门请教了视觉SLAM和三维重建方面的大佬，整理如下：

区别

• （1）SLAM要求实时，数据是线性有序的，无法一次获得所有图像，部分SLAM算法会丢失过去的部分信息；基于图像的SfM不要求实时，数据是无序的，可以一次输入所有图像，利用所有信息。
• （2）SLAM是个动态问题，会涉及到滤波，运动学相关的知识，而SfM主要涉及的还是图像处理的知识。

联系

• （1）基本理论是一致的，都是多视角几何；
• （2）传统方法都需要做特征值提取与匹配；
• （3）都需要优化投影误差；
• （4）回环矫正和SfM的全局注册方法是同一件事情。