2019年SLAM三维重建视频教程（附讲义、代码、参考资料）共2套

这门课解决什么痛点？

SLAM（即时定位与地图构建）与三维重建是机器人、自动驾驶和AR领域的核心底座，但多数教程要么只讲数学推导让人云里雾里，要么只堆代码让人无法复用。这套课程的核心价值在于它把“从图像到三维”的全链路打通了：先通过图像处理概论和特征点检测匹配建立感知基础，再用相机模型与对极几何解决“二维像素如何对应三维空间”的几何问题，接着进入从运动估计到结构恢复（SfM），最后落地到稠密重建、点云转网格以及纹理编辑。如果你正在做视觉导航算法、3D重建项目，或者需要理解SLAM前端是如何提取特征、后端是如何优化位姿的，这套内容能帮你补上从理论公式到工程实现的断层。它不是泛泛而谈的科普，而是针对具体工作场景——如构建稀疏/稠密点云、生成可渲染的三维网格——的系统训练。

适合什么基础？建议先看哪几块？

这门课适合有一定编程基础（Python或C++），且对线性代数、矩阵运算有基本认知的学习者。如果你是完全零基础，建议先补齐图像处理概论部分；如果已经有代码能力但不懂几何原理，重点攻克相机模型与对极几何。建议学习顺序如下：首先通过01-02章熟悉特征点检测与匹配，这是后续所有重建的基石；接着精读03章相机模型与对极几何，理解本质矩阵、基础矩阵的几何含义，这是SLAM定位的核心；然后进入04章双视角SfM，掌握从多视角图像中恢复相机位姿和稀疏结构的方法；最后根据兴趣选择05-07章的稠密重建、点云网格化或纹理编辑。讲义和参考资料非常关键，视频中提到的理论推导务必对照讲义阅读，代码部分建议边看边跑，不要只看不动手。

学完能独立做什么？资料如何配合练习？

学完后，你应该能够独立实现一个简易的SLAM前端：从相机标定开始，完成特征提取、匹配、位姿估计，并能基于 SfM 流程重建出场景的稀疏点云。进阶者可进一步尝试稠密重建，将点云转化为带纹理的三角网格，用于可视化或后续的VR/AR应用。这不是一个“听完就懂”的课，必须配合资料包练习：利用附带的代码在本地复现特征匹配和SfM流程，遇到报错时对照讲义中的数学推导检查参数设置；参考资料里的论文适合在理解原理后拓展阅读，比如深入对极几何的约束条件。建议建立一个自己的实验文件夹，存放不同数据集的重建结果，对比不同特征点算法（如SIFT、ORB）在重建精度和速度上的差异，这样才能真正把知识转化为职场技能。