FastMap: Revisiting Dense and Scalable Structure from Motion

我们提出了FastMap，这是一种新的专注于速度和简洁性的全局结构从运动（SfM）方法。之前的方法，例如COLMAP和GLOMAP，能够估计高精度的相机姿态，但在匹配的关键点对数量变得庞大时，其可扩展性较差。我们确定了导致这一问题的两个关键因素：并行化效果不佳以及计算成本高昂的优化步骤。为了解决这些问题，我们设计了一种完全依赖于适合GPU操作的SfM框架，使其易于并行化。此外，每个优化步骤的运行时间与图像对的数量呈线性关系，而与关键点对或3D点的数量无关。通过广泛的实验，我们证明在大规模场景中，FastMap的速度比COLMAP和GLOMAP快一到两个数量级，同时保持相似的姿态精度。

论文试图解决结构从运动（SfM）方法在处理大规模场景时的可扩展性问题。当前的方法如COLMAP和GLOMAP虽然能够提供高精度的相机姿态估计，但在匹配关键点对数量较大时性能下降显著。这是一个已知但尚未完全解决的问题。

FastMap提出了一种全新的SfM框架，通过依赖完全适合GPU操作的计算方式来增强并行化能力，并将每个优化步骤的时间复杂度降低为与图像对数量成线性关系，而不依赖于关键点对或3D点的数量。这种方法显著提高了处理大规模数据的速度。

实验表明，FastMap比COLMAP和GLOMAP快一到两个数量级，同时保持了相当的姿势估计精度。论文使用了多个大规模数据集进行验证，但未明确提到代码是否开源。未来值得研究的方向包括进一步优化GPU资源利用以及探索更复杂的场景下的表现。

相关研究包括COLMAP（Schönberger et al., 2016），它是一个流行的SfM工具；GLOMAP（Wang et al., 2021），专注于全局SfM优化；以及 Bundler（Agarwal et al., 2009），早期的SfM系统。此外，还有其他加速SfM的研究，例如 Incremental SfM 和 Divide-and-Conquer SfM 方法。