本帖详细介绍了如何使用openSfM+MVSNet对真实采集的数据进行稀疏重建与稠密重建，并针对一些真实场景下可能遇到的问题进行了整理。

1. 背景

随着近年来深度学习在3D视觉中的应用，传统的三维重建软件如colmap、openSfM、openMVS，都无时无刻不面临着新兴算法的挑战。传统算法虽然在应对不同数据集时的可靠性有一定保障，但在弱纹理区域、重复纹理区域一直表现不佳，同时，大规模场景重建的时间开销也逐渐被人所不容忍（尤其在深度学习的方法被引入之后）。因此，一个靠谱的pipeline是先使用传统算法进行稀疏重建，对所输入的图像进行位姿估计，然后将结果交给基于深度学习的算法，比如MVSNet系列，来进行深度图估计和稠密重建。

在此，我们不对重建算法本身进行介绍，只教大家如何一步一步跑通这个pipeline。

2. 数据采集

数据采集方面，我们只需要使用相机、手机、无人机，甚至遥感卫星，对想要重建的物体拍照就可以了。注意以下方面，有助于提升最终的重建质量：

• 拍摄的照片尽可能清晰。
• 照片与照片重叠的区域要大一些，如果场景很大，就尽可能多拍。
• 如果设备是无人机之类的，可以获取相机参数，这对于稀疏重建很重要，省去了算法重新估算的麻烦。

3. 使用openSfM进行稀疏重建

环境搭建方面，硬件上无特殊要求，软件上可以参考openSfM的官方文档。

3.1 输入文件

交给openSfM的时候，image is all you need，把所有拍摄的一个场景的图片都放到一个images的文件夹里，就可以开始重建了。为了对后续稠密重建更友好，建议先对照片文件重新命名，因为openSfM会给文件直接加后缀jpg，也就是说如果你的图片是JPG，稀疏重建的记录会把文件名记录成JPG.jpg，所以不如我们先自己改好名字。

import osdef rename_files_to_jpg(folder_path):# Loop through all files in the folderfor filename in os.listdir(folder_path):# Split the filename and extensionname, ext = os.path.splitext(filename)# Remove any periods from the namename = name.replace('.',