G-MASt3R-SfM：基于图的视图修剪和鲁棒 SfM 的多阶段优化

运动结构（SfM）对于多视图 3D 重建至关重要，但其准确性在很大程度上依赖于图像匹配的准确性。虽然最近的对应匹配方法 MASt3R 即使在具有挑战性的条件下也能实现鲁棒匹配，但它往往会为非重叠图像对生成不正确的对应。因此，使用 MASt3R 的现有 SfM 方法（例如 MASt3R-SfM）由于将这些不可靠的匹配直接纳入优化中，因此姿态估计精度显着下降。为了解决这个问题，我们提出了 G-MASt3R-SfM，一种新颖的 SfM 管道，通过两个关键模块增强鲁棒性。首先，基于图的视图修剪（GVP）模块根据匹配置信度构建场景图，并以几何方式修剪异常视图。其次，多阶段优化（MSO）模块通过将优化范围从局部一致性扩展到全局一致性，逐步细化相机参数。在 ETH3D 数据集上的实验表明，我们的方法在相机姿态估计和 3D 重建方面均达到了最先进的精度，有效抑制了异常值引起的噪声。