近年来，结构化运动（Structure-from-Motion, SfM）技术取得了显著进展，但在某些复杂场景中，如低重叠、低视差或高对称性环境下，依然存在诸多挑战。这些问题限制了SfM技术在实际应用中的广泛采纳，尤其是对于非专业用户来说，难以通过常规的图像拍摄方式避免这些缺陷。 为了解决上述问题，研究团队提出了一种新方法，称为MP-SfM（Monocular Surface Priors for Robust Structure-from-Motion）。该方法通过将单目深度和法线先验（由深度神经网络推断而来）整合到传统的SfM算法中，显著提高了在极端视角变化下的重建性能。即使在标准条件下的表现也十分出色。 研究人员发现，单目先验不仅有助于稳定重建过程，还能有效排除因环境中高对称性引起的错误匹配。这一突破使得MP-SfM成为首个能够从少量图像中准确重建室内复杂环境的技术。此外，该方法通过系统化的不确定性传播处理先验中的误差，表现出高度的鲁棒性。这意味着它可以灵活地适应不同的单目模型，而不需要复杂的参数调整，从而更容易受益于未来技术的发展。 为了方便其他研究者和开发者利用这一成果，团队已经将相关代码开源，发布在GitHub上，地址为 https://github.com/cvg/mpsfm。这项创新有望推动SfM技术在更多场景中的实际应用，提升图像处理和三维重建的效率和准确性。