初步想法

1. 读取colmap的database，执行scene_clustering分割场景，边的全重为匹配的内点数量，采用最小割算法。
2. 每一个叶子节点多线程执行增量重建。
3. 合并。

合并思路

RANSAC算法步骤

1. 从所有数据中采样n个点，n个点是估计模型的最小点数；
2. 从采样出的n个点计算出模型；
3. 通过模型来确定所有数据的内点，当内点率达到指定值，算法终止。否则继续上述过程。

LO-RANSAC

1. 1~3同上；
2. 如果这次计算出的内点比以前某一次计算出的内点数多，那么就执行Local Optimization.

局部优化步骤：

从上一步的RANSAC估计的内点中，选取出内点，使用线性最小二乘法估计模型$M_{is}$。

在$M_{is}$基础上，再进行iters次迭代求解得到$M_r$，每次迭代降低阈值$\theta$。

最后取所有的$M_{is}$，$Mr$，$M$中最好的。

对比

An Efficient and Robust Hybrid SfM Method for Large-Scale Scenes

划分问题

• 场景划分阶段：子簇聚类后，子簇内图像的空间分布较为松散。子簇扩容时，扩容图像效率低，没有考虑子簇之间的连通性。
• 子簇合并阶段：由于合并路径较长，现有方法容易造成误差累积，导致整个场景稀疏重建失败。

改进

• 首先，构建了子簇间多因素联合场景划分测度和预分配平衡图像扩展算法，有效解决了子簇内图像空间分布松散的问题，提高了子簇间的连接度。
• 其次，使用全局GlobalACSfM方法在集群并行框架下完成子集群的局部稀疏重构。
• 然后，提出了一种考虑子簇连通性的分散动态合并规则，以实现子簇之间的鲁棒合并。
• 最后，使用公共数据集和倾斜摄影数据集进行实验验证。