計算機視覺life對幾個回答進行了整理，解釋權歸答主所有。如有侵權，請聯系刪除。

Qiang

回答中很多人提SLAM比三維重建多了一個L（location），我想也許可以稍微深入一點。

我們看一下定義：

（1）SLAM：同步定位與地圖構建；定誰的位？相機的位，相機在機器人身上，就是定機器人的位。建誰的地圖？相機經過地方的地圖。二者結合，才能確定機器人在某個地圖中的具體位置，和這個場景（地圖）下的連續運動軌跡。

（2）三維重建（SFM）：從運動恢復結構。我覺得更像是構建目標的三維模型。然后，我們看一下流行算法的效果：

SLAM：藍色表示運動位置。

圖1：LSD-SLAM-運動軌跡和稀疏的場景地圖，黃色表示位置之間的約束，這是優化問題，不展開。

SFM：

我們可以看出，SFM中構建的三維模型是很漂亮的，目標是人，就構建人，目標是是物，就構建人，目標是地圖，就構建地圖的三維模型，所以我更愿意定義SFM：構建目標的三維模型。

SLAM（側重定位）和SFM（側重建圖）聯系很大的，大佬們為什么要把這兩個東西分開？既估計出相機的運動軌跡，又把經過所有的地方（整個場景包括人，桌子，椅子）都構建出來，這不是更perfect的方案嗎？

因為.....做不到，計算量達不到。

在SLAM中，現有方法可以做到小場景下的“相對”稠密化建圖（圖2），而在大場景下（圖1）是難以實現的。當你的目標是導航，就需要實時性的定位，大場景稠密地圖的讀取和儲存，現有硬件條件是不可能達到的，但是，越稠密的地圖才能更好的幫助機器人進行自主定位。所以，現在發展二十年之久的SLAM的遺留問題就有，稀疏地圖稠密化（我構建了稀疏地圖，但是為了自主導航，這個地圖不夠用），或者稠密地圖的稀疏表達（典型工作octotree）。

SLAM中的M什么時候能變成，真正能用做語義分割和識別的dense mapping，機器人的自主性會得到極大的進步。

akkaze-鄭安坤

稍微修改一下這個回答，準確點說slam應該去和sfm比較，不能直接和三維重建比較。

slam最重要的作用是定位，相機要知道自己的姿態，因為需要的姿態通常都是3d的，所以在恢復3d姿態的時候，使用pnp方法能得到不少3d點，這些3d點也能成為新的地圖，但是多半是稀疏的，當然這是非直接法，直接法會計算圖像梯度變換比較大的地方的深度，所以最終能得到半稀疏的地圖。slam屬于稀疏重建的范疇，它也沒有刻意要去重建某個目標，并且要求運行速度很快，通常是在線的，否則在某些場景里面就要出事故，slam要求速度大于精度，所以slam只會在關鍵幀間做BA，非關鍵幀都會使用基于filter的方法。

然后是sfm，structure from motion，它和slam的功能其實是最像的，它的目的也是為了求解相機姿態，同樣也能得到3d的稀疏點，它和slam最大的不同在于它要求精度更高，能做BA的地方通常都會做BA。

三維重建是密集重建，它和前面兩個算法最大的區別在于它需要恢復深度圖出來，至少是關鍵幀的深度圖出來。恢復深度圖的通常是立體匹配，如果是rgbd的話能直接從sensor得到。

立體匹配也有兩種主流方法。我個人認為可以分為sgm一類，patchmatch一類。個人覺得最主要的區別在于patchmatch能利用前面slam或者sfm解算出來那些稀疏的3d點，然后在全圖像平面傳播。sgm只能從頭開始做匹配。

當然恢復出來深度圖以后還有各種深度圖融合算法。因為對三維模型的表示也有好幾種方式，基于三角網的，基于voxel的，基于tsdf的。每一種的融合方法都不一樣。這是一個大的課題。總的來說，到這里，三維重建和slam已經完全不一樣了。

育心

針對這個問題，專門請教了視覺SLAM和三維重建方面的大佬，整理如下：

區別

（1）SLAM要求實時，數據是線性有序的，無法一次獲得所有圖像，部分SLAM算法會丟失過去的部分信息；基于圖像的SfM不要求實時，數據是無序的，可以一次輸入所有圖像，利用所有信息。

（2）SLAM是個動態問題，會涉及到濾波，運動學相關的知識，而SfM主要涉及的還是圖像處理的知識。

聯系

（1）基本理論是一致的，都是多視角幾何；

（2）傳統方法都需要做特征值提取與匹配；

（3）都需要優化投影誤差；

（4）回環矯正和SfM的全局注冊方法是同一件事情。

編輯：黃飛

?