COLMAP
PulseAugur coverage of COLMAP — every cluster mentioning COLMAP across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的GPERT框架增强了基于事件的3D高斯泼溅
研究人员开发了GPERT，一种新颖的基于事件的3D高斯泼溅（3DGS）框架，可在不牺牲精度的前提下提高时间分辨率。该方法使用射线追踪和扭曲事件解耦几何和辐射渲染，在真实数据集上实现了最先进的性能。GPERT无需先验信息或COLMAP初始化即可运行，在事件选择方面具有灵活性，并能够通过清晰的重建实现快速训练。
-
港科大研究人员将人工智能与3D几何相结合，以增强视觉一致性
香港科技大学的研究人员，由谭平教授领导，正在探索将深度学习模型与传统3D几何技术相结合，以增强3D视觉任务中的全局一致性。他们的工作解决了当前大型视觉模型的一些局限性，例如不同视角的结构不一致以及物体排列不合逻辑。通过将神经网络学习到的强大局部先验与显式的3D几何约束相结合，他们旨在提高3D重建和场景生成的扩展性和连贯性，尤其是在大规模环境中。
-
Reddit 用户详解如何从 AI 视频创建 Gaussian Splatting 模型
一位 Reddit 用户分享了一个关于如何从 AI 生成的视频创建 Gaussian Splatting 模型的教程，特别提到了使用 Stable Diffusion 进行初始视频生成。该过程涉及使用 Minimax 创建视频，并使用强调静态角色和环绕摄像机的特定提示，然后使用 COLMAP 进行特征提取和匹配。导出的数据随后可以导入到 Postshot 或 Brush 等 Gaussian Splatting 软件中生成最终的 3D 模型。
-
自动化3D流程提取玉米穗性状用于育种分析
研究人员开发了一种自动化流程，用于从玉米穗的3D重建中提取关键性状，以解决育种项目中手动测量速度缓慢的问题。该系统通过COLMAP和NeRF处理视频帧，创建3D点云，然后使用Cellpose-SAM进行校准和分割。这种自动化方法在确定籽粒数量和行数方面取得了高精度，生成了适用于基因型-表型关联研究的数据集。
-
AI流水线自动化玉米穗表型分析，加速育种进程
研究人员开发了两个独立的AI驱动的自动化玉米穗表型分析流水线，旨在加速育种项目。第一个流水线使用来自视频的3D重建来提取籽粒性状，如行数和粒数，在保留数据集上实现了高精度。第二个流水线专注于形态计量，从单个视频重建3D网格，以测量穗的几何形状，如长度、宽度和体积，显著减少了操作时间和硬件成本。
-
新的PIVOT数据集在真实世界条件下评估三维重建
研究人员推出了PIVOT，这是一个新的数据集和评估框架，旨在评估三维重建方法（如神经辐射场（NeRFs）和3D高斯泼溅（3DGS））在更真实、更具挑战性的条件下的性能。与使用理想化轨迹和相机参数的先前基准不同，PIVOT包含了多样化的相机路径、测量姿态与优化姿态、以及校准内参与优化内参。使用DJI Mini 4 Pro无人机进行的初步结果表明，在评估未见过的轨迹时，性能明显下降，并突显了姿态来源和相机内参对重建质量的重大影响。
-
新的 ORBIT++ 基准测试挑战运动恢复结构方法
研究人员推出了 ORBIT++，这是一个旨在评估运动恢复结构 (SfM) 方法在充满挑战的真实世界条件下的新基准测试。该基准测试利用 360 度全景视频创建视角剪辑，为相机姿态估计提供更丰富的视觉上下文。初步实验表明，包括 COLMAP 以及最近的基于优化和前馈方法在内的当前 SfM 方法在 ORBIT++ 所呈现的复杂性方面面临困难。
-
新的相机姿态精炼方法绕过了三角测量误差
研究人员开发了一种新的相机姿态精炼方法，该方法避免了三角测量，这是可能引入错误的常见步骤。这种无三角测量的方法将结构表示为标量深度，从而保持了来自移动AR框架的初始粗略先验的准确性。该技术还结合了渐进式非凸性，使其能够处理比现有方法大得多的初始先验误差，即使在存在显著扰动的情况下也能获得稳健的结果。
-
Structure from motion reconstructs 3D scenes from photos
Structure from motion (SfM) 是一种用于从一组二维照片重建三维场景的技术。该过程涉及几个关键步骤：检测图像中可重复的兴趣点，跨图像对匹配这些点，以及几何验证这些匹配。SfM 管道（如 COLMAP 中实现的管道）通过注册新图像和通过捆绑调整精炼姿势和点来逐步构建三维模型。一个关键的挑战是区分正确匹配和不正确匹配，这通常通过 SIFT 等特征描述符和 RANSAC 等稳健的几何验证方法来解决。
-
InstantSfM 为深度学习时代提供 GPU 原生运动恢复结构
研究人员开发了 InstantSfM，一个新颖的 GPU 原生运动恢复结构 (SfM) 系统，旨在与深度学习流水线无缝集成。该系统通过将度量深度先验直接嵌入其优化框架，解决了传统以 CPU 为中心的 SfM 方法的局限性，消除了尺度模糊并提高了数值稳定性。InstantSfM 展现了显著的速度提升，在大规模数据集上，其性能比 COLMAP 等成熟工具提高了 40 倍，同时保持了相当的重建精度。
-
3D基础模型革新植物表型分析，大幅缩短重建时间
研究人员开发了一个新的3D植物表型分析框架，该框架利用3D基础模型（3DFMs）显著加速了重建过程。该方法用前馈几何恢复系统取代了COLMAP等传统方法，并结合3D高斯溅射进行密集重建。该框架还支持少视角重建，并将3D几何转换为可测量的表型数据。实验表明，重建时间从六分多钟大幅缩短到一秒多，同时保持了高精度。
-
WireframeDETR使用DETR风格集合预测3D建筑线框
研究人员开发了WireframeDETR，一种从多视图点云预测3D建筑线框的新方法，已提交至S23DR 2026挑战赛。该方法直接在3D点云上利用DETR风格的集合预测，绕过了中间顶点检测。关键创新包括用于稳定训练的对比去噪、用于特征聚合的多尺度编码器以及用于优化梯度流的渐进式辅助损失加权。该模型在公共测试中取得了0.575的HSS，在最佳验证中取得了0.534的HSS。
-
道路粗糙度分析的3D重建方法比较
一篇新研究论文评估了四种3D重建方法——COLMAP、Meshroom、Metashape和3D高斯溅射（3DGS）——在使用智能手机图像分析道路表面粗糙度方面的有效性。研究发现，COLMAP对微纹理最敏感，而Meshroom提供了均衡的重建。Metashape由于内部滤波产生了更平滑的几何形状，而3DGS捕捉到了不规则性，但噪声较高且密度较低。研究结果表明，开源重建流程对于低成本路面监测中的相对粗糙度评估是实用的。
-
新基准评估AI产生幻觉时的3D重建一致性
研究人员开发了一个新基准\benchmark，用于评估多视图3D重建的一致性，特别是在3D基础模型产生幻觉细节时。该基准将神经重建先验与经典几何验证方法进行了比较。研究发现，现有的MEt3R等指标可能错误地将不一致或充满伪影的输出评为高分，而新的基于COLMAP的指标与人类判断的相关性显著更高。