1. 先把两条路线的分工说清楚：几何求解与神经场拟合

这几年只要提到从照片做三维重建，SFM（Structure from Motion）和 NeRF（Neural Radiance Fields）这两个词几乎是绑在一起出现的。很多人第一次接触时的直觉是"新的替代旧的"——既然 NeRF 渲染效果那么惊艳，那 SFM 那套特征匹配、光束法平差的流程是不是该淘汰了？我在带新人时听到最多的一句话就是"直接跑 NeRF 就行了，为什么还要折腾 COLMAP"。

这个判断对了一半。NeRF 确实把"从照片里重建出可以自由漫游的场景"这件事的门槛拉低了一大截，但它并没有取代 SFM，反而比以往任何时候都更依赖 SFM 的产物。一个未经位姿标注的图像集合，喂给 NeRF 的原始实现是跑不出任何东西的——网络根本不知道这些照片是从哪儿拍的。所以更准确的描述是：SFM 负责回答"照片从哪个角度拍的"，NeRF 负责回答"空间里长什么样"，两者是上下游关系，不是替代关系。

这篇内容我想把这两个环节各自的技术核心、实操路径、以及我在实际项目中踩过的坑完整摊开讲。适合两类人看：一类是刚接触三维重建、想知道该从哪套工具链入手的新手；另一类是已经跑通过某个 demo、但结果总是飘、糊、崩，想搞清楚问题出在哪一环的实践者。文中会涉及具体的命令、参数、坐标系约定和排错思路，不需要你有很深的多视几何基础，但需要你至少上手跑过一次完整流程，否则一些细节会没有体感。

1.1 两种输出，本质是两类不同的数学对象

SFM 的输出非常"朴素"：一组相机内参和外参（每张照片的位置和朝向），加上一个稀疏的 3D 点云。这些点云的数量通常在几千到几万之间，稀疏到肉眼看上去只是一层浮在空中的尘埃，但每个点的位置在数学上是被多视角三角化约束过的。整套流程的底层是多视几何：对极约束、本质矩阵分解、三角化、光束法平差。它的每一步都有明确的几何意义，误差可以追到具体的某一次匹配或某一次平差。

NeRF 的输出则是完全另一种东西：一个用多层感知机（或者哈希网格+小 MLP）表示的函数，输入是空间坐标 (x, y, z) 和一个观察方向 (θ, φ)，输出是该点的体积密度 σ 和该方向的颜色 c。它不生成点，也不生成网格，你没法直接量它"这个平面离相机多远"，只能通过渲染射线、沿射线积分密度来间接推断深度。这种表示的优点是连续、无分辨率上限、能表达半透明和镜面反射这类传统网格很难处理的效果；缺点也很明显——它是一个"黑盒场"，几何精度不好直接验证，训练和渲染都要吃算力。

我一般这么跟人解释这个区别：SFM 像是在给房间做测量，拿卷尺一尺一尺量出墙角在哪；NeRF 像是给房间录了一段可以任意回放的影像，你能从任何角度看，但要说"这面墙精确厚度是 12.4 厘米"，它给不出这个数。

1.2 为什么 NeRF 训练前必须先有位姿

体渲染的积分是在世界坐标系里做的。网络需要知道每一条采样射线是从哪个原点出发、朝哪个方向走的，才能把采样到的密度和颜色正确投影回像素上，和真实照片比对算损失。位姿就是这条射线的起点和方向。

有人会问，位姿不能一起学吗？可以，有一类工作就是位姿与辐射场联合优化，但那样做的收敛难度会陡增：位姿和场景几何是强耦合的，一起优化很容易收敛到"位姿和几何互相解释得通、但都和真实情况不符"的退化解。所以工程上最稳妥的路线仍然是先用 SFM 把位姿估出来，锁死，再训 NeRF。

这也解释了一个现象：很多人第一次跑 NeRF，渲染出来全是雾或者画面糊成一片，八成不是网络结构的问题，而是 COLMAP 那边给出的位姿不准，或者某个环节把坐标系搞反了。我见过最典型的一次，某开发者把 COLMAP 输出的四元数顺序当成 (w, x, y, z) 读，实际是 (x, y, z, w)，结果相机朝向全部错乱，训练 30 万步后渲染结果像一锅融化的塑料。

1.3 两者能力边界的对照

把关键差异列成表，后面调试时对照着看会方便很多：

这张表是我自己在做技术选型时反复用到的东西。注意最后一行"典型失败模式"——这是后面几个章节要重点展开的部分，因为绝大部分项目失败都不是原理不懂，而是卡在这些具体故障上。

2. SFM 流水线拆到底：从特征点到光束法平差

很多人对 SFM 的理解停留在"跑一下 COLMAP 就有结果了"，但真出问题的时候，你是需要知道该调哪一步的。整条流水线的骨架其实很清晰：提特征 → 匹配 → 几何验证 → 增量式重建（初始化、注册、平差循环）→ 可选稠密化。每一段都有它的失败条件。

2.1 特征提取与匹配：SIFT 为什么还没被彻底淘汰

SIFT 诞生已经二十多年，深度学习特征（SuperPoint、DISK、LoFTR 之类）在弱纹理和大幅视角变化下确实更强，但 COLMAP 的默认选项仍然是 SIFT 系的实现（内部叫 SiftGPU 或者 DSP-SIFT 变体），原因很实在：它对尺度、旋转、亮度变化有解析上的不变性，匹配结果可解释，不需要 GPU 也能跑，而且在"纹理充足、光照一致、视角变化不大"的常规采集里，它的表现和深度特征差距很小。

真正让深度特征有价值的场景是两类：一是低纹理表面（白墙、金属件、瓷砖地面），SIFT 在上面几乎提不出稳定点；二是大视角基线，比如环绕拍摄时相邻帧夹角超过 60 度，SIFT 的描述子就失效了。这两种情况下换 SuperPoint + SuperGlue 或者直接用 LoFTR 这类无需描述子的稠密匹配，重建成功率会明显提升。

特征数量的参数值得说一句。--SiftExtraction.max_num_features默认是 8192，很多人为了"提高精度"往上调到 32768，结果匹配时间翻几倍，重建质量却没有提升。我的经验是：单张图 2000 万像素以内，8192 到 16384 足够；如果场景纹理特别丰富（比如树叶、砖墙），反而应该降低这个值，因为过多的重复纹理特征会导致大量错误匹配，几何验证阶段会被 RANSAC 大量剔除，白费算力。

2.2 对极几何验证：匹配表里至少三成是错的

原始匹配结果里错误比例通常高得吓人——同一面砖墙上，任意两块砖的特征描述子可能都很像，于是产生海量错误对应。这一步必须做几何验证，标准做法是用基础矩阵 F 配合 RANSAC：

给定一对匹配点 x 和 x'，它们必须满足 x'ᵀ F x = 0。RANSAC 每次随机抽 7 点或 8 点算一个 F，统计满足上式（在阈值内）的内点数，迭代到内点比例稳定。COLMAP 在--TwoViewGeometry.min_num_inliers上默认要求至少 15 个内点，低于这个数就判定这两张图没有可靠的重叠关系，直接丢弃这条边。

这里有个容易忽略的细节：内点比例比内点绝对数量更能反映问题。如果两张图匹配上 3000 个点，但只有 200 个是内点（6.7%），那说明要么两张图根本不重叠、要么场景里有大量重复纹理。这时候即使勉强保留这条边，后面三角化出来的点也会是错的。我在调试时习惯把--TwoViewGeometry.min_inlier_ratio显式设成 0.2 到 0.25 之间，宁可少要边，也不要脏边。

还有一个经常被误解的点：F 矩阵只对未标定相机有意义，一旦你知道内参 K，就该转到本质矩阵 E = Kᵀ F K，E 的奇异值必须满足 (σ, σ, 0) 的形式，分解后能得到 4 组 (R, t) 候选，再用三角化点的深度为正这个约束挑出唯一解。这一步是理解"为什么单目 SFM 尺度不可知"的关键——E 分解出的 t 是单位向量，长度信息在分解过程中就丢掉了。

2.3 增量式重建的三步循环：初始化、注册、平差

增量式重建是这个流程里最核心也最脆弱的部分，它是个循环：

1. 选初始像对：从所有通过几何验证的像对里挑一对内点数多、基线足够长的作为种子。基线太短（两帧几乎同位置）会导致三角化精度极差，后续整个重建都会被带偏。COLMAP 用--Mapper.init_min_num_inliers（默认 100）做门槛，我在实际项目里通常提到 300 以上，宁可多试几对。
2. 注册新视角：对尚未注册的图像，用已知的 3D 点做 2D-3D 对应，跑 PnP + RANSAC 解出位姿。门槛是--Mapper.abs_pose_min_num_inliers（默认 30），这个值偏低，弱纹理场景建议提到 50 到 80。
3. 局部/全局平差：把新注册的相机和它看到的点一起做光束法平差（Bundle Adjustment），最小化重投影误差。平差用的是 Levenberg-Marquardt，大规模问题靠 Schur 补消元把点参数边缘化掉，只解相机参数，这是让 BA 能在几万点规模上跑起来的关键技巧。

这个循环会一直跑到没有新图像能被注册为止。实际项目里最常见的失败是"注册到一半停了"——比如 200 张图只注册进去 60 张。原因通常是中段某几张图质量差（运动模糊、曝光过度），导致从它们开始的那个子图无法和其他部分连上。解决办法不是无脑调低阈值，而是先把模糊帧剔除，重跑一遍。

2.4 尺度、漂移与闭环：单目重建绕不过去的三个问题

尺度不可知是单目 SFM 的物理限制，不是 bug。你重建出的模型整体缩放任意倍数，重投影误差都不变。要在真实单位下使用，必须引入外部约束：场景里放一个已知长度的标尺、用双目/深度相机、或者用 IMU 提供的位移先验。我见过不少团队在这上面翻车——拿着重建结果去量尺寸，差了两倍多，最后发现是没做尺度标定。

漂移是累积误差的必然结果。增量式重建本质上是链式的，每一帧的位姿误差会传递到下一帧，几百帧之后整体可能偏移几十厘米。表现是重建出来的点云"首尾对不上"，绕一圈回到起点时，起点位置的墙面出现了两层重叠的复制。缓解手段是回环检测加位姿图优化，COLMAP 里有--Mapper.ba_global_images_ratio和--Mapper.ba_global_points_ratio控制全局 BA 的触发频率，这两个值调小（比如从默认 1.1 调到 1.05）会让全局 BA 更频繁地执行，能明显压制漂移，代价是时间变长。序列拍摄（视频抽帧）时尤其建议调小。

纯旋转序列是另一个高频坑。如果拍摄时相机只转不动（比如站在一个点上原地转圈拍全景），基线为零，三角化退化，重建必然失败或者点云全部堆在一个球面上。这不是参数能救的，只能重新采集——移动起来，让相邻帧之间有实实在在的位移。

顺带说下稠密化。稀疏点云通常不够用，想要有面的效果需要跑 MVS（多视图立体），COLMAP 自带的流程是：

colmap image_undistorter \ --image_path ./images \ --input_path ./sparse/0 \ --output_path ./dense \ --output_type COLMAP colmap patch_match_stereo \ --workspace_path ./dense \ --workspace_format COLMAP \ --PatchMatchStereo.geom_consistency true colmap stereo_fusion \ --workspace_path ./dense \ --workspace_format COLMAP \ --input_type geometric \ --output_path ./dense/fused.ply

PatchMatch 那一步非常吃显存和时间，200 张 2000 万像素的图在单卡上跑一整晚是常态。如果只是给 NeRF 提供位姿，这一步完全没必要做——NeRF 只需要稀疏模型里的相机参数。

3. NeRF 的输入准备：位姿、坐标系与归一化

拿到 COLMAP 的稀疏结果之后，很多人以为直接就能训了，实际上从"COLMAP 输出"到"NeRF 期望的输入"之间还有一段转换，这段转换是新手翻车率最高的地方，因为一旦坐标系搞错，程序不会报错，只会安静地训出一个糊掉的结果。

3.1 三种数据格式的坐标系坑

业界常见的几种数据组织方式，坐标系约定各不相同，必须搞清楚：

三处差异，每一处搞反都会让训练彻底失败：朝向轴的正负、Y 轴朝上还是朝下、变换方向是世界到相机还是相机到世界。COLMAP 习惯存世界到相机的变换，NeRF 代码里习惯用相机到世界（c2w），这两者互为逆矩阵。如果你只转置不平移取逆，得到的矩阵看着像那么回事，但相机位置全错，训出来的结果就是一片模糊的平均颜色。

实操上，最省事的路线是别自己写转换，直接用现成工具。nerfstudio 提供了一条命令搞定从原始图片到训练数据：

ns-process-data images \ --data ./raw_images \ --output-dir ./data/nerfstudio \ --camera-type perspective \ --matching-method exhaustive

它会自动跑 COLMAP、做 undistort、转换坐标系、生成transforms.json。这里有个细节值得注意：ns-process-data默认会做图像去畸变，这会裁掉一部分边缘像素。如果你的图像畸变很大（广角镜头），去畸变后的有效视野会明显缩小，重建时会发现四周信息丢了。这种情况建议在 COLMAP 阶段就用OPENCV或FULL_OPENCV相机模型把畸变参数估出来，而不是用SIMPLE_RADIAL硬套——畸变模型选错，重投影误差会偏大，位姿精度下降。

另外还有一批实现（比如一些早期的 PyTorch 版本）读取的是 COLMAP 的images.bin转出来的文本格式，四元数顺序是 (qw, qx, qy, qz)，而很多数学库（scipy 的Rotation.from_quat）期望的是 (x, y, z, w)。这个顺序错位是隐蔽性最强的 bug 之一，因为四元数归一化之后看起来都合法，错的只是旋转轴。

3.2 场景归一化：为什么几乎所有实现都要把相机缩进单位球

几乎所有开源实现都有一段归一化代码，做两件事：把相机中心坐标的均值平移到原点，然后整体缩放，让所有相机中心到原点的最大距离等于某个固定值（常见是 1.0，Blender 合成数据里是 4.0 附近的球半径）。

这么做的理由很实际。第一，位置编码对坐标数值范围敏感，如果场景坐标在几百米量级，sin(2^L · x)这种高频项会直接进入混乱的振荡区域，梯度爆炸或者变成噪声；第二，不同场景的绝对尺度差异极大，归一化之后可以用同一套超参（学习率、near/far、采样数）来训，不用每个场景重新调；第三，体渲染的采样是沿射线在 [near, far] 里均匀分层，未归一化的话 far 可能大到几十万，采样密度完全不够。

归一化的实现通常是这样的：

# 假设 c2w 是 (N, 4, 4) 的相机到世界矩阵 centers = c2w[:, :3, 3] center_avg = centers.mean(axis=0) translation = np.eye(4) translation[:3, 3] = -center_avg c2w = translation @ c2w centers = c2w[:, :3, 3] scale = 1.0 / np.linalg.norm(centers, axis=-1).max() c2w[:, :3, 3] *= scale # 只缩放平移部分，旋转部分不受影响

注意最后一行的写法：只缩放平移分量，旋转矩阵部分不能乘 scale，否则相机会被"拉变形"。这个坑我见过不止一次，有人图省事直接c2w = c2w * scale，结果所有相机朝向都乱了，训练出来全是重影。

归一化之后，near 和 far 也要跟着变。经验值：如果场景是物体级的环绕拍摄，near 设 0.05、far 设 2.0 到 3.0 通常能覆盖；如果是室内房间的 forward-facing 拍摄，far 要放大到 6 到 8。判断方法很简单：把点位云和相机位置一起可视化，看所有点是不是都落在 [near, far] 范围内。超出范围的点会被采样截断，表现为渲染图里背景被"削掉"一块或者远处糊成一片。

3.3 near/far 设错的代价比想象中大

这个参数看起来不起眼，但它直接决定采样区间。设小了，远处的墙和天空没被采样，渲染出来是空的；设大了，同样数量的采样点被摊薄在更长的射线上，近处细节得不到足够采样，表现为表面发虚、边缘毛刺。

有一个诊断技巧很有用：训练完几百步之后，把每条射线的权重分布画出来（就是体渲染里的 weights）。如果权重几乎全部集中在 z_vals 的最后一个采样点附近，说明 far 设小了，物体被截断；如果权重在前 20% 的采样点里就已经衰减完，说明 near/far 范围给大了，采样密度浪费了。这个图能省掉大量瞎调的时间。

分层采样（perturb）在训练时开启、推理时关闭，这是标准做法。训练时加抖动是为了让网络见到连续空间的不同采样位置，避免过拟合到固定的离散层；推理时关掉抖动，让采样确定化，输出更干净。不过关闭抖动之后，只用粗网络的话会看到明显的分层条纹（banding），所以通常还要配合重要性采样，在密度高的区域再撒一层细采样点。

4. 训练环节的实操细节：从位置编码到哈希网格

真正开始训的时候，围绕网络的几个设计选择会直接影响收敛速度和最终质量。这部分我想把"为什么这么设计"讲透，因为照着代码抄的人很多，知道每一行意图的人不多。

4.1 体渲染公式在代码里到底长什么样

体渲染的核心是这条连续积分：

C(r) = ∫_{t_n}^{t_f} T(t) · σ(t) · c(t) dt，其中 T(t) = exp(−∫_{t_n}^{t} σ(s) ds)

T(t) 是从相机到 t 位置的透射率，可以理解为"光线走到这里还没被挡住的比例"。离散化之后变成对采样点的加权求和：

# z_vals: (N_rays, N_samples) 采样点的深度 # sigma: (N_rays, N_samples) 密度 # colors: (N_rays, N_samples, 3) 颜色 dists = z_vals[..., 1:] - z_vals[..., :-1] dists = torch.cat([dists, torch.full_like(dists[..., :1], 1e-3)], -1) alpha = 1.0 - torch.exp(-sigma * dists) # 每个采样点的遮挡概率 trans = torch.cumprod( torch.cat([torch.ones_like(alpha[..., :1]), 1.0 - alpha + 1e-10], -1), -1 )[..., :-1] # 透射率，累乘 weights = alpha * trans # 每个点的贡献权重 rgb = (weights[..., None] * colors).sum(dim=-2) # 沿射线积分成像素

这段代码里有几个容易出错的地方。1e-10那个小量不能省，cumprod一旦遇到 0 就会把后面全部清零，加上它保证数值稳定。最后一个 dists 用 1e-3 填充是因为最后一段没有下一个采样点，用一个极小值代替，避免射线末端贡献异常。trans的拼接顺序也要注意，先补一个 1 在头部，累乘之后再去掉最后一个，这才是"到第 i 个点之前"的透射率。

损失就是渲染出的 rgb 和真实像素做 L2：

loss = ((rgb - gt_rgb) ** 2).mean()

早期的 NeRF 会用粗网络和细网络各算一次损失再相加，两个网络共享权重之外的参数，细网络的采样位置由粗网络的权重分布决定（重要性采样）。

4.2 位置编码与视角依赖：两个设计各自的用意

位置编码是 NeRF 能做高频细节的根本。直接把 (x,y,z) 这种低维坐标喂给 MLP，网络会严重偏向低频——这是神经网络的谱偏置（spectral bias），它天然倾向先拟合平滑函数。所以要把坐标映射到高维：

γ(p) = (sin(2⁰πp), cos(2⁰πp), sin(2¹πp), cos(2¹πp), …, sin(2^{L−1}πp), cos(2^{L−1}πp))

def positional_encoding(x, L): out = [x] for i in range(L): out.append(torch.sin(2.0 ** i * x)) out.append(torch.cos(2.0 ** i * x)) return torch.cat(out, dim=-1)

位置坐标一般取 L=10，方向向量取 L=4。为什么方向用的 L 更小？因为视角依赖主要用来表达镜面高光这类低频变化，高频的方向编码会让网络把光照变化当作几何细节拟合，产生"exploding"的伪影。这个不对称是有意设计的，不是随手写的。

视角依赖的设计更精妙：网络先只用位置计算密度 σ 和一个中间特征，再把特征和方向拼接算出颜色 c。密度与方向无关，保证了同一个空间点的几何是唯一的（否则从不同角度看密度不同，几何就不成立了）；颜色与方向相关，才能表达反光和菲涅尔效应。

这里我踩过一个很典型的坑：训练时如果把世界坐标系的方向向量直接喂进去，网络会学到"从某个固定方向看永远是亮的"，只要测试视角和训练视角的分布不同，高光位置就会错得离谱。正确做法是把方向转换到每个相机自己的局部坐标系（通常是用相机的旋转矩阵把世界方向转成相机坐标系下的方向）。这样网络学到的"视角依赖"才是相对于相机的，泛化到新视角时高光位置才对。

4.3 收敛慢怎么办：从纯 MLP 到哈希网格的加速路径

原始 NeRF 一个场景要训一两天，这是它落地最大的障碍。后来出现的加速路线大致分三类：

最实用的还是哈希网格，Instant-NGP 那套参数配置值得记下来：16 个分辨率层级（levels），基础分辨率 16，每层缩放 1.38 到 1.5 倍，哈希表大小取 2^19。这几组数不是随便定的——层级数决定能表达的最高频率，缩放倍率决定层级之间的覆盖是否连续，哈希表大小决定碰撞率。

哈希碰撞是这类方法固有代价。不同空间位置映射到同一个哈希桶时会产生"虚假密度"，表现为场景里凭空出现一些细碎的漂浮物。缓解手段有两个：一是提高表大小（从 2^19 提到 2^20，显存翻倍但明显干净），二是配合一个小 MLP 做解码，让网络有机会纠正碰撞带来的错误（纯查表的话没法纠错）。

4.4 过拟合与伪影：训练集 PSNR 很高但一换角度就崩

这是最坑的一种情况，因为监控指标看起来完美。训练集 PSNR 45dB 以上，你满心欢喜地在两个训练视角中间插一个视角渲染，结果画面糊成一团浆糊。原因是视角太稀疏，网络只用少数几个角度来"记住"了训练图像，没有真正学出连续场。

判定方法是留出验证集：从采集的图像里均匀抽 10%~20% 不参与训练，只看验证 PSNR。如果训练 PSNR 涨到 40 而验证 PSNR 卡在 26 不动，那就是典型过拟合。

缓解手段按有效性排序：

• 增加视角数量，这是根本解法。环绕拍摄时相邻视角夹角建议控制在 10 度以内，室内场景每隔 20~30 厘米拍一张。
• 降低网络容量。哈希表层级从 16 降到 12，或者 MLP 隐藏层宽度从 256 降到 128。
• 早停。验证 PSNR 连续若干步下降就停，别硬训到 30 万步。
• 加入深度平滑正则或者 TV 损失，抑制高频噪声。不过权重要小，调大了会把细节一起抹掉。

还有一类伪影是"浮空絮状物"，出现在相机路径周围的空间里。这通常是位姿误差引起的：某几张图的位姿估偏了几厘米，网络为了让这些图渲染正确，就在对应位置塞了一团低密度云雾来"糊弄"。治法只能是回 COLMAP 重新处理那几张图，网络侧调参救不了。

5. 采集与排错：那些在文档里查不到的失败模式

写了这么多原理，最后决定成败的往往还是采集那一刻。我在几个模拟项目里反复验证过一个结论：采集质量决定上限，算法参数只能决定离上限多近。这一章把采集要点和典型故障的排查链路整理出来。

5.1 采集阶段就要定下来的六件事

第一，曝光和白平衡锁死。自动曝光会让同一面墙在不同帧里亮度不同，NeRF 会把这部分亮度差异吸收到颜色场里，表现为渲染时场景表面出现奇怪的明暗斑块。手机拍摄的话，用专业模式手动锁定 ISO 和快门。

第二，避免运动模糊。快门速度不够或者移动太快，边缘会出现拖影。特征是特征点匹配内点率大幅下降。室外光照足的时候问题不大，室内务必补光。

第三，基线要够但要均匀。相邻两帧既不能太近（三角化精度差），也不能太远（特征匹配不上）。经验值：物距 1 米时，相邻帧位移 5 到 15 厘米。序列拍摄的话，视频抽帧间隔要根据移动速度调，走快了就多抽，走慢了就少抽。

第四，重叠度至少 60%。这个数字来自匹配的稳定性——重叠低于 60% 时，SIFT 匹配数量会断崖式下跌。

第五，别绕着一个点转。前面说过，纯旋转退化。要么平移，要么边转边移。

第六，拍之前先想清楚要重建哪部分。NeRF 的视锥是有边界的，你只拍了正面，背面渲染出来就是乱七八糟的幻觉。想要环绕效果就老老实实绕一圈，包括俯视和仰视。

5.2 位姿漂移的排查链路

假设你拿到一个"点云分成了两团、中间断掉"的结果，怎么查？我一般的顺序是这样：

先看匹配图。COLMAP 的model_analyzer能看到每张图注册了多少点、重投影误差多大。误差超过 1.5 像素的图要重点关注。

colmap model_analyzer --path ./sparse/0

再看两张子图之间的连接。用--Mapper.min_num_matches这个参数可以把匹配门槛临时调低跑一次，看能不能把两团连起来。如果能连上但误差大，说明是弱纹理导致的匹配质量差；如果根本连不上，说明两组图之间没有共享视野，采集时中间漏拍了。

然后检查是不是畸变模型惹的祸。用一个错误的相机模型（比如实际是广角却用了 SIMPLE_RADIAL）会导致边缘区域的重投影误差系统性偏大，整个重建呈碗状弯曲。换 FULL_OPENCV 重跑通常能改善。

最后才考虑调 BA 参数。把--Mapper.ba_global_function_tolerance从默认的 1e-6 放宽到 1e-5，让全局 BA 多迭代几轮；把--Mapper.ba_local_max_num_iterations提到 50。这些调整能救回一部分漂移，但救不回采集缺失。

5.3 纹理、反光与透明物体的处理策略

弱纹理是 SFM 的天敌。白墙、纯色桌面、金属件表面，SIFT 一个点都提不出来。对策有三：一是往场景里贴临时标记（打印的棋盘格或者二维码），采完再后期处理掉；二是投影仪投散斑图案，人为制造纹理，这个方法在工业扫描里很常见；三是换深度特征，LoFTR 这类基于 Transformer 的匹配器在低纹理下确实有效，代价是显存和速度。

反光面对 SFM 和 NeRF 都是麻烦。SFM 层面，反光会导致同一个物理位置在不同帧里呈现不同外观，特征描述子对不上；NeRF 层面，反光其实是可以被视角依赖项表达出来的，但前提是位姿足够准。所以处理反光的原则是：先解决 SFM 的位姿问题（用偏振片压掉一部分镜面反射，或者改变打光角度避开），再让 NeRF 去学剩下的一点高光。

透明物体更棘手。玻璃杯、水面，特征匹配几乎全错，因为你看穿过去了。这类场景基本只能靠额外手段：喷哑光涂层（破坏性，慎用）、偏振成像、或者干脆用结构光扫描替代。

6. 选型判断与验收标准：什么时候用哪一套

技术选型这部分没有标准答案，但有几个判断维度是通用的。

6.1 按需求选：测量、渲染、还是资产生产

如果最终目的是测量——比如量房间尺寸、检查零件形位——那 SFM 加 MVS 是更合理的选择。稠密点云的误差是可追溯的，你可以拿标尺去验证；NeRF 的深度图则要经过额外的转换，精度还不一定能保证。

如果目的是新视角渲染——比如商品展示、虚拟看房、影视预演——NeRF 优势明显。传统点云渲染在视角变化时会出现空洞和拉扯，NeRF 因为是连续场，插值天然平滑。

如果目的是生成可导入引擎的网格资产（游戏、VR 场景），那通常要走"NeRF 训练 → 提取密度场做 marching cubes → 网格后处理"的路线，或者直接用 3D Gaussian Splatting 这类显式表示，它在渲染速度和编辑便利性上确实更好。不过 3DGS 对位姿精度的要求比 NeRF 更高，SFM 那一步不能省。

6.2 精度验收：PSNR 高不等于几何对

这是我特别想强调的一点。很多团队验收 NeRF 只看 PSNR 和 SSIM，这两个是渲染指标，跟几何精度没有严格对应关系。一个几何完全错误但颜色纹理贴合的场景，PSNR 可以很高。

几何精度的验证建议用这几招：

• 多视角深度一致性：从两个不同视角渲染深度图，把它们投影到同一个参考坐标系，看是否重合。真实几何应该在毫米到厘米级重合。
• 与稀疏点云对比：SFM 出的稀疏点虽然是"尘埃"，但每个点的位置是几何约束过的，可以作为真值参考。把 NeRF 渲染深度在对应像素上采样，和稀疏点的深度比，偏差超过阈值就说明几何有问题。
• 尺度标定：放一个已知尺寸的物体进场景，重建后量一下，反推尺度因子。这一步是必须的，除非你有其他尺度来源。

这些数字不是硬标准，是我用过之后觉得比较能反映"能不能交付"的经验线。

6.3 融合思路：SFM 打底、NeRF 提渲染、网格化落地

实际项目里最有价值的往往是把两套东西串起来用，而不是二选一。一条比较稳的链路是：

先用 COLMAP 出稀疏位姿，把重投影误差压到 1 像素以内，这一步是地基，不达标就重采；再用好的位姿训 NeRF，把渲染质量做上去；最后从 NeRF 的密度场里提取网格（或者用 3DGS 重建后做泊松重建），交给下游做编辑和优化。

这条链路的每一环都可以独立验证：位姿环节看重投影误差和点云形状，辐射场环节看验证 PSNR 和新视角一致性，网格环节看有没有孔洞和翻面。哪一环出问题就在哪一环停住，不要带着问题往下走——带着错位姿训 NeRF，训完发现是位姿问题，浪费的是双倍时间。

还有个实用的小技巧：训 NeRF 之前，先把 COLMAP 的点云和相机位置在一张 3D 图里看一眼。相机应该沿着你拍摄的路径排成一条环或者一个网格，点云应该和场景轮廓大致贴合。这个 30 秒的检查能拦住大部分坐标系错误和归一化错误——相机位置明显错位、或者全挤在一个点上，那就是位姿转换出问题了，不用等训练完才发现。

我自己在这些项目里最深的体会是，三维重建这行的门槛不在算法公式，而在对"数据质量决定一切"这件事的敬畏。同一套代码，采集做得好和做得差，结果能差出一个数量级。所以我现在的习惯是：动手跑任何流程之前，先花二十分钟把采集方案在纸上画一遍——相机走什么路径、相邻帧间隔多少、光线怎么打、有没有弱纹理死角。这二十分钟省下来的调试时间，通常是它的十倍以上。