一、三维重建概述：从零开始理解这个技术
大家好，我是你们这门课的主讲。在计算机视觉领域摸爬滚打了十来年，三维重建一直是我最着迷的方向之一。说实话，每次看到一堆二维照片在算法作用下变成精细的三维模型，那种成就感还是很强烈的。
今天这第一节课，咱们先不急着写代码，也不急着调参数。我想先聊聊三维重建到底是什么，它能干什么，以及目前主流的实现路径有哪些。嗯，把这些基础概念理清楚，后面学起来会顺畅很多。
1.1 什么是三维重建？
三维重建，说白了就是：从二维图像或传感器数据中，恢复出物体或场景的三维几何信息。你想想看，我们人眼看到的世界是三维的，但相机拍下来的照片是二维的。三维重建要做的，就是把这个「降维」的过程反过来。
我习惯用一个比喻来解释：
你手里有一张建筑的照片，三维重建就是通过这张照片，推断出这栋建筑的长宽高、立面结构、甚至每个窗户的深度。更厉害的是，如果你有多张不同角度的照片，还能把整个建筑完整地「算」出来。
核心定义：三维重建 = 从传感器数据 → 三维几何模型 + 纹理信息
这里要注意一点：三维重建 ≠ 三维建模。建模是艺术家手动创建的，而重建是从真实世界数据自动或半自动生成的。我在项目中遇到过不少新人把这两个概念搞混，结果选错了技术路线。
1.2 三维重建的应用领域
聊完了定义，咱们看看这技术到底用在哪。我挑三个最典型的领域说说，都是我自己做过项目的。
AR/VR：虚拟与现实的桥梁
AR眼镜为什么能把虚拟物体「放」在真实桌面上？
核心就是三维重建。设备需要实时重建你周围的环境，知道哪里是地面、哪里是墙壁，才能把虚拟物体正确地「摆放」上去。
我记得2017年做第一个AR项目时，重建精度不够，虚拟杯子总是「飘」在桌面上方。后来才发现是深度估计的算法参数没调好。嗯，这种坑踩过一次就记住了。
自动驾驶：让车「看懂」世界
自动驾驶汽车上的激光雷达、摄像头、毫米波雷达，本质上都在做同一件事：实时重建车辆周围的三维环境。
- 激光雷达：直接输出点云，精度高但稀疏
- 双目相机：通过视差计算深度，稠密但受光照影响大
- 多传感器融合：取长补短，是目前的主流方案
我曾经参与过一个园区无人车的项目，纯视觉方案在雨天几乎失效。后来加了激光雷达，情况好很多。所以你看，技术路线没有绝对的好坏，关键看场景。
文物保护：数字化的「时光机」
这个领域我特别有感触。2019年帮一个博物馆做过青铜器的三维重建，用结构光扫描仪配合摄影测量，把一件商代青铜鼎的每一处纹路都记录了下来。
为什么要做这个？
因为文物会老化、会损坏。但数字模型不会。一旦有了高精度的三维模型，即使原件损毁，我们依然可以3D打印复制，甚至做虚拟修复。
个人建议：如果你刚入门，可以从文物重建入手。因为这类场景通常是静态的、光照可控的，容错率高，适合练手。
1.3 技术路线总览：主动式 vs 被动式
三维重建的技术路线，按传感器是否主动发射能量，分为两大类。这个分类很重要，后面每一章都会用到。
| 对比维度 | 主动式 | 被动式 |
|---|---|---|
| 原理 | 主动发射激光/结构光/超声波 | 仅依靠环境光或自然光 |
| 典型设备 | 激光雷达、Kinect、结构光扫描仪 | 普通相机、双目相机 |
| 精度 | 高（毫米级甚至更高） | 中等（受纹理和光照影响大） |
| 适用场景 | 室内、近距离、可控环境 | 室外、大场景、不可控环境 |
| 成本 | 高（专业设备几万到几十万） | 低（普通相机即可） |
| 代表方法 | ToF、结构光、激光扫描 | 立体匹配、SfM、MVS |
我个人的经验是：能选被动式就别轻易上主动式。为什么？因为主动式设备贵、笨重、而且受环境限制多。比如激光雷达在强阳光下效果很差，结构光在室外基本不能用。
但反过来，如果你要做高精度的工业检测、文物扫描，那主动式是唯一选择。被动式再怎么优化，也很难达到亚毫米级的精度。
下面这张图是我自己整理的，把整个三维重建的技术路线画清楚了。你保存下来，后面学每一章时都可以回来对照。
避坑提醒：我曾经犯过一个错误——在一个室外大场景项目里用了结构光。结果阳光一照，完全没法用。后来老老实实换成了SfM+MVS的被动式方案。所以选技术路线前，一定先搞清楚你的应用场景。
1.4 本章小结
好，第一节课的内容就这些。咱们回顾一下重点：
- 三维重建是从二维数据恢复三维几何的过程
- 应用在AR/VR、自动驾驶、文物保护等多个领域
- 技术路线分主动式（精度高、成本高、受限多）和被动式（成本低、灵活、精度中等）
下一节课，我们会深入被动式重建中最经典的方法——立体匹配。我会带着你从原理讲到代码实现，还会分享一些调参的实战经验。到时候见。