3D 视觉导论：手机视频为什么能变成 3D

你想把寝室一角做成能在网页里转着看的场景，给参赛作品当入口。站在原地举着手机转一圈，明明拍到了四面墙，为什么还可能拼不出房间？关键在于：拍到了什么，和从哪些位置拍到，是两回事。

• 读完你能解释：一张照片为什么没有直接给出物体离相机多远。
• 读完你能判断：两张照片之间，既换了拍摄位置，又保留了哪些共同细节。
• 读完你能给自己的场景安排一条拍摄路线，发现漏拍后知道往哪里补。

01照片有左右上下，却没写离你多远

假设你拍的是书桌上的花盆。照片能告诉你，叶尖落在画面的左边还是右边，却没有给它标上距离。同一条视线上的点，无论离相机近还是远，都可能落在照片的同一个位置。

图中的 O 是相机的光心。把成像简化为光线都经过这个点，就是针孔相机模型（Pinhole Camera Model）。图里把成像平面画在光心前方，方便看投影关系；光心到这个平面的距离叫焦距（Focal Length）。

焦距变大，照片里的东西会变大；东西靠近相机，也会变大。因此，仅凭画面里的一次大小变化，还分不清是镜头变了，还是距离变了。先猜一猜：下面两种操作都能让近处的箱子放大一倍，远处的箱子也会放大一倍吗？

1. 把焦距从 400 像素调到 800 像素，看两个箱子的像素高度和角上的「近/远」读数。
2. 复位，再把相机前移 1.5 米（拖俯视图里的相机，或调「靠近」），比较读数。

只看近处的箱子，两次放大一模一样；远处的箱子和「近/远」读数才露出差别。要找回叶尖的空间位置，你还需要从别的位置看看它。

02换个位置，才能多一条深度线索

你往旁边走，再拍同一个叶尖。第一张照片给出一条视线，第二张又从另一个位置给出一条。相机参数已知、对应点找对时，就可以估计两条视线在空间中的相交位置。这叫三角测量（Triangulation）。

这就解释了拍摄时为什么要留重叠：相邻照片得拍到一部分相同的内容，软件才能把叶片边缘、花盆上的花纹等细节对应起来。如果前一张只拍正面，下一张突然跳到背面，没有共同细节，就很难把它们接上。

手机视频可以拆成连续的照片，为重建提供这些视角。但软件通常还不知道每张照片到底在哪里拍，要连相机的位置与朝向一起估计。这个过程叫运动恢复结构（Structure from Motion，SfM），其中的「运动」指拍摄视角变化，拍摄对象应保持静止。

三维重建工具 COLMAP 的这个广场示例，把多张照片算成了下面的结果：建筑和道路由三维点勾出，红色标记则显示拍照的位置。

你这周不必自己求解相机位置，但要给工具留下能求解的素材：拍摄位置有变化，相邻画面又能接得上。

03给自己的作品安排一条拍摄路线

回到寝室场景。如果手机始终在一个位置，只朝四周转，虽然看到了更多方向，光心却基本没动。对同一个物理点，你仍缺少从不同位置观察得到的深度线索；在原地多拍一些帧，也补不上这段位移。

想做能换视角浏览的参赛作品，可以从一盆植物或房间一角开始，把能走的路线先看一遍：

更完整的室内与物体拍法见3DGS 手机采集。这里先记住路线为什么这样安排，免得拍完后只剩一段看着完整、却缺少多视角线索的视频。

04AI 能猜远近，拍摄还要认真吗？

如果素材只剩一张照片，模型也可以根据训练中学到的图像规律预测远近，叫单目深度估计（Monocular Depth Estimation）。下面是同一条街的照片和预测结果：先找橙色车辆，再沿路面看向远处。

这样的输出叫深度图（Depth Map）。如果你的作品要用它量距离，先确认输出有没有实际单位，再拿已知尺寸核对；颜色层次清楚，本身不代表能直接按米测量。照片里没拍到的花盆背面，也不会因为有了这张深度图就得到真实记录。

想深入：有些模型能把多张照片一起变成 3D，做了什么？

VGGT（Visual Geometry Grounded Transformer）会把多张图像一起输入训练好的网络，联合预测相机参数、深度和三维点等信息。下面的房屋结果里，既有外墙和植物，也有周围的相机标记。

COLMAP 的优化式路线会针对当前照片反复调整相机和三维点；VGGT 这样的前馈式路线用训练好的网络直接预测，也可以再接几何优化。学习到的规律能帮助模型在缺少线索时给出结果，但给出了形状，不代表每处都测准了。

用到自己的作品时，转到侧面和背面检查有没有拉长、错位或缺块，再用实际物体核对。发现问题，优先补拍缺少观察的区域，不要把按时交作品的希望全押在模型替你补齐上。

拍摄时保留重叠、真正换位置，是你能直接改善的输入。接下来的空间重建会讲这些结果怎样存成点云、网格或 3D 高斯，哪一种适合放进网页浏览。

05自测：这段素材够不够用？