本教程提供了多视角立体视觉领域的实践视角，重点介绍实用算法。多视角立体视觉算法能够仅从图像中构建高度详细的三维模型。这些算法通过处理可能非常庞大的图像集，构建出一个在合理假设下能够解释这些图像的三维几何结构，其中最重要的假设是场景的刚性。教程将多视角立体视觉问题定义为图像与几何一致性优化问题，并详细描述其两个核心要素：光度一致性度量的鲁棒实现和高效优化算法。接着，教程介绍了一些最成功的算法如何利用

在获取全局粗糙的 3DGS 模型时（CityGS一开始是用极低的分辨率或者少量的数据，把整个大场景跑一遍，得到一个粗糙但整体一致的 3DGS 模型），我们先通过 SAGP 剪枝（Pruning）来消除冗余的高斯点，以防止这些冗余的高斯点在随后的分块训练期间吸引无贡献的视角，从而增加计算负荷。然后，在分区阶段，我们在每个子块的边界处保留了公共的高斯，以避免因为区块之间的几何不连续而引入肉眼可见的融合

而不是所有文件夹使用同一个相机模型)，然后特征匹配，这里可以使用前面重建上下环绕视角的时候得到的database.db文件，里面存储了之前的特征提取和匹配的数值，这样可以更快一点。从拍摄的照片来看，虽然是对着楼宇上下拍摄，但是无人机的镜头并没有调正，很多照片全是偏向于俯视，头大尾小，虽然这样不影响重建效果，但是处理这些必然是要花费更多时间，相比于端正拍摄的镜头来说。，这个指向已有的稀疏点云，也就是

colmap计算的Ubuntu版本，歪瑞因垂丝汀，快来looklook！

图 2 概述了方法。

视觉基础模型 (VFM) 是在广泛的数据集上进行训练的，但通常仅限于 2D 图像，自然会出现一个问题：它们对 3D 世界的理解程度如何？由于架构和训练协议（即目标、代理任务）存在差异，迫切需要一个统一的框架来公平、全面地探究他们的 3D 感知。现有的 3D 探索工作主要关注单视图 2.5D 估计（例如深度和法线）或双视图稀疏 2D 对应（例如匹配和跟踪）。但是这些任务忽略了纹理感知，并且需要 3D

关于深度学习项目的docker部署踩坑记录，主要用来告诉大家一件事情，安装nvidia-container-toolkit而不是nvidia-docker，不要浪费时间在找没用的帖子身上，食用方式，一只手握住鼠标，一只手握住一杯卡布奇诺，嘶。。。

图像金字塔有两种，一种是高斯金字塔，一种是拉普拉斯金字塔。高斯金字塔是一种多分辨率图像表示方法，通过对图像逐层降采样（缩小）生成一系列分辨率递减的图像集合。其核心思想是模拟人眼观察物体时从粗到细的感知过程，广泛应用于图像缩放、特征提取、图像融合等任务。拉普拉斯金字塔是一种基于高斯金字塔的多尺度图像表示方法，通过差分操作提取不同分辨率下的高频细节信息，常用于图像融合、压缩和增强等任务。其核心思想是存

世界建模已成为人工智慧研究的基石，使智能体能够理解、表示并预测其所处的动态环境。以往的研究大多强调针对2D 图像和视频数据的生成式方法，却忽视了快速增长的、基于原生 3D 与 4D 表示（如 RGB-D 影像、占据网格、LiDAR 点云）的 大规模场景建模研究。与此同时，由于缺乏对“世界模型”的标准化定义与分类体系，现有文献中出现了零散甚至不一致的论述。本综述旨在填补这一空白，首次对3D 与 4D

视觉基础模型 (VFM) 是在广泛的数据集上进行训练的，但通常仅限于 2D 图像，自然会出现一个问题：它们对 3D 世界的理解程度如何？由于架构和训练协议（即目标、代理任务）存在差异，迫切需要一个统一的框架来公平、全面地探究他们的 3D 感知。现有的 3D 探索工作主要关注单视图 2.5D 估计（例如深度和法线）或双视图稀疏 2D 对应（例如匹配和跟踪）。但是这些任务忽略了纹理感知，并且需要 3D