我是一名拥有大约十年企业软件工程经验的开发人员，而我的业余爱好使我进入了广阔而令人恐惧的计算机视觉（CV）领域。
我尚不清楚的一件事是“运动结构”（SFM）工具和“多视图立体声”（MVS）工具之间的分工。
具体来说，CMVS似乎是最好的MVS工具，而Bundler似乎是那里更好的开源SFM工具之一。
摘自CMVS自己的主页：
您应该在捆绑器之后和PMVS2之前始终使用CMVS
我想知道：为什么？！？我对SFM工具的了解是它们为您执行3D重建，那么为什么我们首先需要MVS工具？它们为BFM等SFM工具无法解决的哪些价值/加工/功能增加了什么？为什么建议建立以下管道：
Bundler -> CMVS -> PMVS2
？
最佳答案
很快，运动结构（SfM）和多视图立体声（MVS）技术是互补的，因为它们不能处理相同的假设。它们的输入也略有不同，MVS需要运行摄像头参数，该参数由SfM估算（输出）。 SfM仅提供粗略的3D输出，而PMVS2提供更密集的输出，最后通过CMVS来规避PMVS2的某些限制。
答案的其余部分提供了每种方法的工作原理的高级概述，并解释了为什么采用这种方法。
运动结构
您突出显示的3D重建管道的第一步是SfM算法，可以使用Bundler，VisualSFM，OpenMVG等完成。该算法输入一些图像并输出每个图像的相机参数（稍后会详细介绍）以及场景的3D粗糙形状，通常称为稀疏重建。
SfM为什么只输出粗糙的3D形状？基本上，SfM技术从检测每个输入图像中的2D特征并在图像对之间匹配这些特征开始。例如，目标是告诉“此工作台角位于这些图像中的那些像素位置”。这些功能由所谓的描述符（例如SIFT或ORB）描述。这些描述符被构建为表示图像中的一个小区域（即一堆相邻像素）。它们可以可靠地表示高度纹理化或粗糙的几何形状（例如，边缘），但是这些场景特征需要在整个场景中都是唯一的（从意义上来说是唯一的）才能有用。例如（可能过于简化），具有重复图案的墙对于重建而言不是很有用，因为即使它具有很高的纹理，墙的每个区域都可能与墙上的其他任何地方相匹配。由于SfM正在使用这些功能执行3D重建，因此3D场景重建的顶点将位于这些唯一的纹理或边缘上，从而提供粗糙的网格作为输出。如果没有精确和独特的纹理，SfM通常不会在表面中间产生顶点。但是，当在图像之间找到许多匹配项时，可以计算出图像之间的3D变换矩阵，从而有效地给出两个相机姿态之间的相对3D位置。
多视图立体声
之后，将MVS算法用于细化通过SfM技术获得的网格，从而导致所谓的密集重构。此算法要求每个图像的相机参数都起作用，这由SfM算法输出。由于它适用于更受约束的问题（因为它们已经具有每个图像的相机参数，例如位置，旋转，焦点等），因此MVS将在描述符未正确（或无法正确检测）的区域上计算3D顶点或匹配。这就是PMVS2所做的。
PMVS如何在二维特征描述符难以匹配的区域上工作？由于您知道相机参数，因此知道图像中的给定像素就是另一图像中线的投影。这种方法称为epipolar geometry。 SfM必须为每个描述符搜索整个2D图像以找到可能的匹配，而MVS将在单个1D线上工作以找到匹配，从而大大简化了问题。因此，MVS通常会在优化过程中考虑照明和物体材质，而SfM则不会。
但是，有一个问题：PMVS2执行相当复杂的优化，可能会非常缓慢，或者在大图像序列上占用天文数字的内存。这是CMVS发挥作用的地方，将粗略的3D SfM输出聚集到区域中。然后，将在每个群集上（可能并行）调用PMVS2，以简化其执行。然后，CMVS将把每个PMVS2输出合并到一个统一的详细模型中。
结论
CMVS和PMVS2的作者Yasutaka Furukawa可在本教程中找到此答案中提供的大多数信息以及更多信息：
http://www.cse.wustl.edu/~furukawa/papers/fnt_mvs.pdf
从本质上讲，这两种技术都来自两种不同的方法：SfM旨在使用结构化（但未知）的图像序列执行3D重建，而MVS是基于人类立体感的双视立体视觉的概括。
关于computer-vision - 在计算机视觉中，SFM无法做到的MVS是什么？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/39217717/