解析结构化运动中的歧义：与COLMAP结合的SfM新方法
项目简介
在结构化运动（SfM）中，当场景出现对称和重复结构时，通常会导致重建失败。这个开源项目专注于解决这个问题，通过将几种最先进的算法集成到COLMAP框架中，并进行广泛的性能分析。我们的目标是简化关于这一问题的进一步研究。
项目的核心是过滤图像间的错误匹配，以避免SfM前的错误。我们重新实现了Yan等人在(CVPR 2017)中的思想，Cui等人在(ICCV 2015)中的工作，并包含了Kataria等人的实验结果(3DV 2020)，基于他们的实现。我们将这三种方法分别称为Yan的方法、Cui的方法和Kataria的方法。该仓库利用COLMAP和hloc来提取特征和匹配，并依赖COLMAP进行几何验证和稀疏重建。
要点：没有一种方法能在所有数据集上都表现良好，单一参数设置下难以应对大规模场景的调参需求。
如果您对此问题感兴趣并想交流，请致信Lixin Xue！
Alexander Nevsky Cathedral 数据集的结果
技术分析
项目采用了Yan、Cui和Kataria的三种不同的方法来识别和消除重复结构引起的歧义。它们主要通过对图像配对的匹配质量进行评估，然后删除低质量的匹配。这些方法各自有其优点和局限性，例如Yan的方法依赖于独特的轨道共享度，而Cui的方法则依赖于局部重建中的缺失对应关系。然而，所有方法都需要针对特定场景调整超参数，并且在一些大型场景中，正确配置参数可能既费时又困难。
应用场景
此项目适用于任何涉及SfM的场景，尤其是在存在重复或对称结构的情况下，如建筑、城市景观或任何其他可能产生视觉混淆的环境。它可作为增强传统SfM流程的工具，提高重建的准确性和效率。
项目特点
- 集成与比较：整合了三种不同的SfM歧义解决方案，供研究人员进行直接比较。
- 扩展性：利用COLMAP和hloc的强大功能，适应多种特征提取和匹配策略。
- 实验丰富：提供了详细的实验结果和分析，揭示了各种方法在不同场景下的表现趋势。
- 易用性：提供Jupyter Notebook示例，使得运行和参数调整简单直观。
安装与使用
要安装该项目，只需按照提供的命令行说明进行操作，包括创建Python 3.7环境，安装COLMAP、hloc和其他必要的库。项目还提供了数据集链接供下载，以及两个Jupyter Notebook，用于演示Yan和Cui方法的完整工作流程。
总结来说，这个开源项目为研究和改进SfM中重复结构的处理提供了宝贵的资源。通过探索和比较不同方法，开发者和研究人员能够更好地理解哪些技术适用于特定场景，并有可能发掘出更高效、更具普适性的解决方案。