3D Reconstruction
La ricostruzione 3D recupera la forma di oggetti e scene da foto, video, telecamere di profondità o LiDAR, rappresentandoli come nuvole di punti, mesh o campi radianti.
La ricostruzione 3D è il processo di recupero della forma tridimensionale di un oggetto o di una scena a partire da misurazioni come fotografie, video, fotogrammi acquisiti da una telecamera di profondità o scansioni LiDAR. L'output descrive la posizione delle superfici nello spazio sotto forma di nuvola di punti campionati sulla superficie, mesh poligonale, griglia di voxel o funzione appresa come un campo di radianza, spesso con colore o texture. La ricostruzione basata sulle immagini, chiamata anche fotogrammetria, è l'operazione inversa della fotografia nella visione artificiale: una telecamera appiattisce un mondo 3D in pixel 2D, mentre la ricostruzione usa più viste delle stesse superfici per annullare quella proiezione.
Come funziona la ricostruzione basata sulle immagini#
La pipeline classica inizia rilevando caratteristiche distintive, come i punti chiave SIFT in ogni immagine, e abbinandole tra fotografie sovrapposte; conserva solo le corrispondenze compatibili con la geometria epipolare. La struttura dal movimento recupera poi la posizione e l'orientamento di ogni telecamera insieme a un insieme sparso di punti 3D, perfezionandoli congiuntamente mediante la compensazione del fascio, che minimizza l'errore di riproiezione di ogni punto in ogni immagine. La stereo multivista usa le telecamere note per calcolare una mappa di profondità densa per ciascuna immagine; le mappe vengono fuse in un'unica nuvola di punti e la ricostruzione della superficie, per esempio tramite meshing di Poisson, trasforma i punti in una mesh chiusa a tenuta stagna, che può essere texturizzata usando le fotografie. COLMAP, sviluppato da Johannes Schönberger e colleghi, è l'implementazione open source di questa pipeline più usata. Le telecamere di profondità e il LiDAR saltano la fase di abbinamento e allineano direttamente le scansioni sovrapposte, in genere con l'algoritmo del punto più vicino iterativo.
Ogni punto 3D deriva dalla triangolazione: date due telecamere calibrate, è il punto le cui proiezioni corrispondono meglio ai pixel in cui ciascuna telecamera lo ha osservato. Questo esempio triangola i punti su una parete vista da due telecamere distanti 0,3 m, con mezzo pixel di rumore in ciascuna osservazione:
import cv2
import numpy as np
rng = np.random.default_rng(0)
K = np.array([[800.0, 0, 320], [0, 800.0, 240], [0, 0, 1]]) # camera intrinsics in pixels
# Two calibrated views 0.3 m apart, as projection matrices P = K [R | t]
P1 = K @ np.hstack([np.eye(3), np.zeros((3, 1))])
P2 = K @ np.hstack([np.eye(3), [[-0.3], [0.0], [0.0]]])
for z in [2.0, 10.0]:
# 200 points on a wall z meters away, observed in both images with half-pixel noise
points = np.column_stack([rng.uniform(-1, 1, 200), rng.uniform(-0.5, 0.5, 200), np.full(200, z)])
X = np.vstack([points.T, np.ones(200)])
x1, x2 = P1 @ X, P2 @ X
x1, x2 = x1[:2] / x1[2] + rng.normal(0, 0.5, (2, 200)), x2[:2] / x2[2] + rng.normal(0, 0.5, (2, 200))
# Triangulate: find the 3D point whose projections best match both observations
Xh = cv2.triangulatePoints(P1, P2, x1, x2)
error = np.linalg.norm((Xh[:3] / Xh[3]).T - points, axis=1)
print(f"Wall at {z:.0f} m: median 3D error {100 * np.median(error):.1f} cm")Il programma stampa un errore mediano di 0,8 cm per la parete a 2 m e di 18,4 cm a 10 m. Una distanza cinque volte maggiore produce un errore circa 23 volte maggiore, vicino alla crescita quadratica prevista dalla geometria a due viste; per questo la fotogrammetria acquisisce le superfici distanti da molti punti di vista ampiamente separati.
La ricostruzione presuppone una scena statica, quindi persone e veicoli che si muovono durante l'acquisizione producono geometrie fantasma e caratteristiche non corrispondenti. COLMAP salta l'estrazione delle caratteristiche nelle aree nere delle maschere applicate alle singole immagini, mentre le maschere di persone e auto generate da un modello di segmentazione delle istanze Ultralytics YOLO26 escludono questi oggetti in movimento da una ricostruzione statica.
Rappresentazioni e ricostruzione appresa#
Le nuvole di punti sono semplici da generare ma non hanno connettività; le mesh forniscono superfici continue per misurazioni, motori di gioco e gemelli digitali; le griglie di voxel suddividono lo spazio in celle. KinectFusion, presentato da Richard Newcombe e colleghi nel 2011, fondeva in tempo reale i fotogrammi di una telecamera di profondità dal vivo in un volume a distanza con segno troncata: un metodo di fusione volumetrica implementato ancora oggi da librerie come Open3D. Le rappresentazioni neurali implicite codificano una superficie con una rete che mappa coordinate in occupazione o distanza con segno; i campi di radianza neurali e il Gaussian splatting modellano l'aspetto da ogni direzione per la sintesi di nuove viste, ma la geometria è meno direttamente misurabile rispetto a una mesh. Le reti feed-forward oggi evitano del tutto l'ottimizzazione: VGGT, del Visual Geometry Group di Oxford e di Meta AI, predice pose delle telecamere, mappe di profondità e punti 3D per un numero di immagini compreso tra una e centinaia in un unico passaggio, e ha vinto il premio Best Paper di CVPR 2025.
Le attività correlate si distinguono per il risultato che producono. La stima della profondità predice la distanza per ogni pixel di una singola vista, ottenendo una superficie parziale. La visione stereo ricostruisce la scena da due telecamere sincronizzate. La SLAM visiva segue una telecamera in movimento e crea una mappa in tempo reale per la navigazione, privilegiando la velocità rispetto alla completezza. Il rilevamento di oggetti 3D posiziona riquadri attorno agli oggetti invece di ricostruirne le superfici.
Applicazioni nel mondo reale#
- Realtà aumentata: ARKit di Apple costruisce una mesh aggiornata in tempo reale di una stanza sugli iPhone e iPad dotati di LiDAR, così gli oggetti virtuali poggiano sui pavimenti e scompaiono dietro i mobili.
- Ispezione nella produzione: Le scansioni dei pezzi finiti vengono confrontate con i relativi modelli CAD per misurare le deviazioni; le stesse scansioni mantengono aggiornato il gemello digitale di una linea di produzione.
- Robotica: I robot ricostruiscono gli oggetti che devono afferrare e gli spazi in cui si muovono usando le telecamere di profondità integrate.
- Patrimonio culturale e cartografia: La fotogrammetria digitalizza edifici, scavi e intere città. Nel progetto Building Rome in a Day del 2009, i monumenti di Roma sono stati ricostruiti da 150.000 foto di Flickr in 21 ore, usando un cluster di 496 core di processore.










