视觉三维重建:colmap从理论到实战

写在前面

课程已经正式开讲，接下来的课程进度安排，如下图：

视觉三维重建 = 定位定姿 + 稠密重建 + surface reconstruction +纹理贴图。三维重建技术是计算机视觉的重要技术之一，基于视觉的三维重建技术通过深度数据获取、预处理、点云配准与融合、生成物体表面等过程，把真实场景刻画成符合计算机逻辑表达的数学模型。

然而，由于视觉三维重建对图像、光学、成像理论、以及重要数学公式的的推导要求较高，其次，三维重建也有其应用上的痛点、难点，比如成本预算、大场景、物体运动、纹理缺失、暗环境等，因而其涉及的算法也多种多样。鉴于视觉三维重建学习相关教材寥寥无几，网上资料也比较零散，国内外几乎没有系统讲解三维重建相关的课程。

为此，3D视觉工坊推出了国内首个《彻底搞透基于colmap的视觉三维重建：原理剖析、代码讲解、及优化改进》，本课程是国内首个深入剖析colmap原理、代码讲解、并对开源代码进行优化改进的课程，由资深三维重建算法工程师主讲及指导。

开课时间：6月5号20点开课，课程历时4个月，一年内有效。

1

 课程讲师

李城，资深三维重建算法工程师，担任过知名企业的图形图像算法工程师，高精度地图算法工程师。

2

课程大纲

本课程开启了限时优惠

▲微信扫码可查看、购买、学习课程

▲长按加客服微信，咨询更多

3

适合人群

1、理工科相关专业，熟悉三维重建、线性代数、概率论等相关理论知识、有一定c++、python编程基础；

2、已经入门三维重建研究领域的本科、硕士及博士研究生；

3、希望通过此课程能够快速实现三维重建算法，并能在项目中应用的研究人员；

4

4

学后收获

1、掌握视觉三维重建整个流程，对colmap框架能够有较深的理解，其它开源视觉框架也能快速着手。

2、掌握colmap中的多视图几何算法、光束法平差算法以及内在的实现技巧，为后续思考colmap框架的优化方法铺垫了夯实的基础。

3、锻炼举一反三能力，将colmap中的优秀算法融合到实际问题中，如恢复尺度、雷达和相机的标定等。

4、学会借鉴其它开源框架的优点，如openmvg、opensfm 等，将其原理融合到colmap 中。

5

还能收获什么

1. 优质的学习圈子

但凡购买本课程的学员，同时将会被赠予高额的《3D视觉从入门到精通》知识星球优惠券一张（100~180元优惠券）。星球汇集了国内外各个高校的研究生、博士生，包括但不限于清华大学、上海交通大学、华中科技大学、武汉大学、南京大学、北京理工大学、北京航空航天大学；以及国外留学的小伙伴，主要就读于南加州大学、墨尔本大学、慕尼黑工业大学、亚琛工业大学等。除此之外，还有很多一线工作的算法工程师、开发人员，包括但不限于百度、旷视、华为、奥比中光、云从、阿丘科技等。3D视觉从入门到精通知识星球是一个技术社区，在这里你可以讨论任何3D视觉相关的难题、前沿技术。星球邀请了国内外高校博士（北航、慕尼黑工业大学等）、CV独角兽公司CTO/CEO、以及各大厂的算法工程师解惑。在这里，你可以一对一和大佬交流，提出自己在工作学习上的疑问。

6

课程服务

1.主讲及助理全程答疑

可以在专属微信群或者知识星球内，每天晚上8~10点为集中答疑时间。以下为微信群及星球内部主讲日常答疑帖子截图。

图1 日常分享

图2 日常分享

图3 日常问答

7

课程亮点

亮点一：算法原理结合代码详解，线下设置答疑群，可以面对面和讲师沟通难题，更能和国内外各大高校学员一起交流，创造一个优异的学习环境。

亮点二：作者不仅仅只停留在讲解原算法本身，会对算法处理数据存在的问题进行改进。

作者改进colmap部分成果示意：

• colmap融合gps（摄影测量领域即是gps辅助空中三角测量）

  （1）无人机数据

      a.原生colmap跑数据结果，出现bending map

             b.融合GPS跑数据结果

      （2）车载数据

         a.原生colmap跑数据，发生严重drift

         b.colmap融合gps-rtk后的效果

         c.ground truth

• 无任何传感器，无gps、无imu，特征点尺度约束的incremental sfm效果

  （a）原生colmap跑数据

  （b）特征点尺度约束的sfm跑数据

  
  

亮点三：举一反三，会与目前主流的应用(如自动驾驶、VR)进行结合

1) vslam或lslam的 prior pose 加上colmap 进行重定位地图的建立

2) 利用colmap 进行激光雷达和相机的标定

3) 利用colmap 进行相机和GPS 的时间同步(或者说顾忌曝光延迟的gps约束)

4) 恢复单目的绝对尺度，应用到实际场景中(也可隶属课程亮点2中）

    i、利用先验的gps 恢复绝对尺度

    ii、利用GCP 或者Marker 来恢复绝对尺度

    iii、利用已知的模型比例(scale)来恢复绝对尺度

亮点四：采用问答方式来解析重点部分的代码和算法原理

本课程开启了限时优惠

▲微信扫码可查看、购买、学习课程

▲长按加客服微信，咨询更多

点击“阅读原文”也可直接购买课程