SFM(structure from motion)与SLAM（Simultaneous Localizationand mapping）
我主攻方向刚好是structure from motion，我一美国同学主攻的方向刚好是visual SLAM。我是在我们实验室vision组，他是在我们实验室Robotics组。我们又住在一起，每天必须争辩的事情就是structure from motion和visual SLAM的区别和联系，火药不断。我不得不说，SFM和vSLAM基本讨论的是同一问题，不过SFM是vision方向的叫法，而vSLAM是robotics方向的叫法，vSLAM所谓的mapping，我们vision方向叫structure，vSLAM所谓的location，我们vision方向叫camera pose。但是从出发点考虑的话，SFM主要是要完成3D reconstuction，而vSLAM主要是要完成localization。从方法论的角度上考虑的话，传统的SFM是不要求prediction的，但是对于vSLAM而言prediction是必须的，因为vSLAM的终极目标是要real-time navigation，而对于传统SFM而言，real-time是不要求的。而传统的vSLAM也把主要精力放在prediction上面，而且是借助非camera的外界的手段来predict，例如acceleration sensor。而传统SFM则把精力放在feature tracking上面了。直到最近，SFM开始利用图片间的optical flow做prediction，而vSLAM则更加的注重了feature tracking。
不同的SLAM方法体系
参考：https://blog.csdn.net/u010128736/article/details/53141681
三、不同的重建体系
根据不同的应用场景分类，参考：https://blog.csdn.net/wishchin/article/details/47339849
多帧二维图像 + 特征点检测算法+ 特征点深度计算/相机位姿刚性变换（ICP/PNP算法）+ 滤波方法（EKF等框架（运动模型+观测模型））+ ANN/RANSAC/ICP/......
滤波方法用于优化
总的来说可以分为以下两类
1、像素重建，基于kinect深度相机
kinect相机拍摄获取深度信息，对像素进行深度恢复与三维重建
2、特征点重建
特征匹配，三维重建，机器人学通常认为的SLAM问题，是基于相机不固定的三维场景重建问题