高分辨率图像示例的传统解决方案：
对于我的情况，我可以在这里给出两个问题（许多 640*480 图像之间的移动很小），第一：匹配非常慢，特别是如果图像数量很大，所以更好的解决方案是光流跟踪。 ，但随着大动作它变得稀疏，（混合可以解决问题！！）
第二：对轨道进行三角测量，虽然这是一个过度确定的问题，但我发现很难编写解决方案，..（这里要求简化我在参考资料中读到的内容）
我在那个方向搜索了很多库，但没有任何有用的结果。
再次，我有地面实况相机矩阵，并且只需要 3d 位置作为第一次估计（没有 BA），编码软件解决方案可以提供很大帮助，因为我不需要重新发明轮子，尽管详细的说明可能会有所帮助
这基本上显示了用于估计深度的基础几何。
正如你所说，我们有相机位姿 Q，我们正在从世界中选择一个点 X，X_L 是它在左侧图像上的投影，现在，使用 Q_L、Q_R 和 X_L，我们能够组成这个绿色的极线平面，即剩下的工作很简单，我们在 (Q_L, X) 线上搜索点，这条线正好描述了 X_L 的深度，假设不同：X1, X2,...，我们可以在正确的图像上得到不同的投影
现在我们比较 X_L 的像素强度差异和右图像上的重投影点，只需选择最小的那个，对应的深度正是我们想要的。
很容易嘿？事实是它更难，图像永远不是严格凸的：
这使得我们的匹配非常困难，因为非凸函数会导致任何距离函数都有多个临界点（候选匹配），你如何确定哪一个是正确的？
然而，人们提出了基于路径的匹配来处理这个问题，例如：SAD、SSD、NCC，它们被引入来创建尽可能凸的距离函数，但仍然无法处理大规模重复纹理问题和低纹理问题.
为了解决这个问题，人们开始在极线中进行长距离搜索，突然发现我们可以将匹配度量的整个分布描述为沿深度的距离。
横轴是深度，纵轴是matching metric score，这个插图引导我们找到了深度滤波器，我们通常用高斯，又名，高斯深度滤波器来描述这个分布，并用这个滤波器来描述深度的不确定性，结合patch匹配的方法，大致可以得到一个proposal。
现在，让我们使用一些优化工具，如 GN 或梯度下降来最终细化深度估计。
综上所述，深度估计的整个过程大致如下：