一个照片文件夹里存着从各个角度拍下的建筑，却通常没有精确记录拍摄者当时站在哪里。COLMAP 的重建流程要恢复的，正是这部分缺失的几何信息。在标准流程中，软件先估计相机的位置、朝向，以及散布在场景中的一组稀疏三维点，随后才能生成稠密表面。顺着各阶段之间的数据交接往下看，既能理解这套软件的用处，也能发现成品模型中隐藏的问题。[1]

以项目提供的 South Building 示例为例：这组数据由 Christopher Zach 提供，包含北卡罗来纳大学教堂山分校一座建筑的 128 张照片。[8] 人一眼就能认出各张照片拍的是同一座楼，软件则需要找到可供检验的对应关系。

匹配先提出候选关系

COLMAP 把提取出的特征及其关系保存在 SQLite 数据库中。关键点记录图像中的位置，描述子表征该处的局部外观。匹配步骤据此提出一种候选关系：两张照片中的某些特征，对应着场景里的同一处细节。数据库明确区分了候选关系与验证结果：候选匹配保存在 matches 中，经过几何验证的关系保存在 two_view_geometries 中，重建使用后者。[2]

设想建筑立面上有两扇相似的窗户。仅凭外观相近，还不足以认定两个图像局部拍到的是同一扇窗。几何验证会检查这些对应关系，判断它们能否符合视图之间合理的几何关系。COLMAP 的原始论文介绍了其中的鲁棒估计方法：容忍部分错误匹配，同时寻找一致的几何解释。[3]

数据库还区分相机模型与图像。多张图像可以共用一组相机内参，例如焦距和镜头畸变参数；每张图像又各自对应一个相机位置和朝向。[2] 因此，“一台相机”可以对应多个拍摄视点。

建筑与视点在同一过程中逐步确定

在 Schönberger 和 Frahm 描述的增量式方法中，重建从选定的一对图像开始。后续图像依靠与已有三维点的对应关系加入重建，三角测量则利用不同视图中的观测增加场景点。随后，光束法平差（bundle adjustment）联合优化相机参数和点的位置，缩小图像中实际观测到的特征位置与估计几何投影位置之间的差异。[3]

看着点云逐渐浮现时，一个事实很容易被忽略：相机本身也是持续修正的求解结果。随着重建中的物体逐步完整，相机的位置和朝向也在更新。一个特征能帮助确定相机的位置，而这台相机又能为更多特征的位置增加约束。

因此，拍摄质量从流程的起点就影响着重建。COLMAP 教程建议选择纹理丰富的对象，让照片之间保留充分重叠，并从不同位置拍摄。拍摄时需要移动位置，仅在原地转动相机仍缺少这种位置变化。教程也提醒使用者留意反射和不一致的光照。[1] 重建结果中的一块空白，有时在拍摄时就已埋下原因：所需的信息从未进入相机。

保存的模型带有坐标约定

稀疏重建由一组相互关联的记录组成。文档列出的输出包括 cameras、images 和 points3D，较新的模型还包含 rigs 和 frames。这些记录可保存为二进制或文本格式。在 images.txt 中，位姿描述的是从世界坐标到相机坐标的变换。因此，其中的平移向量与相机在世界坐标系中的位置有区别；相机中心应按 -Rᵀt 计算。[4]

导出运动轨迹或放置虚拟相机时，这一区别会直接影响结果。如果接收数据的程序采用另一套解释方式，同一组数值就会还原出错误的场景。

Nerfstudio 从独立的集成实践角度说明了这个问题。它的数据约定指南明确比较了自身采用的 OpenGL 风格相机坐标轴与 COLMAP 的差异：两者的 X 轴都向右，Y 轴和 Z 轴的方向则各自相反。[7] 据此，我在工程上的推论是，交接重建数据时，应同时注明变换方向和坐标轴约定。文件能够成功解析，只代表通过了第一项检查。

稠密重建开启另一轮计算

命令行流程中的 image_undistorter 展示了下一次数据交接：它准备好图像和稀疏模型，供后续稠密处理使用。patch_match_stereo 估计深度与表面法线，stereo_fusion 再把彼此相容的估计融合成点云，例如 fused.ply。生成网格是之后的步骤。[1][5]

操作人员可以在这些阶段停下来检查：准备稠密工作目录之前，查看已配准的视图；评价网格之前，查看融合后的点云。这些检查点是我的建议，便于逐段定位不同类型的偏差，让中间结果与最终表面一样接受检查。

计算资源的需求也随之变化。COLMAP 内置的稠密重建需要 CUDA。其常见问题文档建议，在立体匹配耗尽 GPU 显存时，减小 PatchMatchStereo.max_image_size，或减少源图像数量。稀疏重建顺利完成，仍不足以判断显存能否容纳稠密阶段的计算。[6]

处理顺序还有一项约束。常见问题文档提醒，运行 mapper 或光束法平差后，必须重新计算稠密重建，因为模型的坐标系有时会随之改变。[6] 相机参数已修正却仍沿用旧的深度结果，会破坏这些结果与其计算依据之间的对应关系。

细节本身给不出尺度

常规的单目运动恢复结构（structure from motion）若缺少真实尺度的参考信息，重建的整体尺度就无法唯一确定。Ceres Solver 文档把更广泛的这种不确定性描述为相似变换歧义。[9] 从几何上看，放大建筑，同时让相机按比例远离建筑，图像上的投影位置仍可保持不变。即使砖墙细节更加清晰，这一自由度依然存在。

COLMAP 的 model_aligner 可将模型对齐到外部坐标系。文档中的地理配准流程，利用至少三张已配准图像所对应的已知相机中心位置来估计变换。[6] 这些参考测量补充了照片本身缺少的信息。

对于小型研究或可视化团队，这套流程的实际价值在于让重建结果有据可查：把源图像、数据库、稀疏模型、软件版本和处理设置保存在一起。结果出现异常时，可以沿着软件的处理步骤逐项查找原因，包括特征对应关系、相机几何、坐标转换、稠密深度和外部尺度。建筑模型的可信度随着证据积累而提高，保存下来的每一个阶段，也让其他人能够检视它是如何得到的。

参考资料

1. COLMAP，“Tutorial”——拍摄建议及从稀疏到稠密的重建顺序；在线文档查阅于 2026 年 10 月 12 日。
2. COLMAP，“Database Format”——SQLite 表、相机与图像的关系，以及经过几何验证的匹配。
3. Johannes L. Schönberger 和 Jan-Michael Frahm，“Structure-from-Motion Revisited”，CVPR 2016，第 2、4 节——增量式重建与光束法平差。
4. COLMAP，“Output Format”——稀疏模型文件、从世界坐标到相机坐标的位姿，以及相机中心公式。
5. COLMAP，“Command-line Interface”——去畸变、立体匹配、融合与网格生成的具体命令。
6. COLMAP，“Frequently Asked Questions”——CUDA 要求、稠密重建的显存控制、位姿变化后的重新计算，以及地理配准。
7. Nerfstudio，“Data conventions”——独立的集成文档，说明其相机坐标轴与 COLMAP 的差异。
8. COLMAP，“Datasets”——北卡罗来纳大学教堂山分校的 South Building，由 Christopher Zach 提供的 128 张照片，附图像集下载链接。
9. Ceres Solver，“Covariance Estimation”中的“Gauge Invariance”小节——运动恢复结构中的相似变换歧义。