这四个概念都是计算机视觉CV与三维重建3D Reconstruction领域的核心技术。它们围绕着“2D图像”与“3D世界”之间的转换展开既有明确的分工又相互依存。 一句话核心区别Direct Answer视觉渲染从3D模型生成2D图像。几何重建从多张2D图像恢复出3D结构/模型。单目深度估计从单张2D图像预测每个像素的真实距离。相机位姿估计确定相机在3D空间中的位置和朝向。 核心区别对比视觉渲染 (Visual Rendering)输入3D场景模型、光源、材质、相机参数。输出逼真的2D图像或视频。本质正向过程模拟光线传播把虚拟的3D世界画在2D屏幕上。典型技术光线追踪 (Ray Tracing)、神经辐射场 (NeRF)、3D 高斯泼溅 (3DGS)。几何重建 (Geometric Reconstruction)输入多张从不同角度拍摄的2D图像。输出稠密的3D点云、网格 (Mesh) 或体素模型。本质逆向过程通过多视角几何关系把现实世界的3D形状还原出来。典型技术SfM (运动恢复结构)、MVS (多视图立体视觉)。单目深度估计 (Monocular Depth Estimation)输入单张2D静态图像。输出与原图等大的深度图每个像素到相机的距离。本质数据驱动的预测单张图片缺乏几何线索主要依靠深度学习模型学习人类的“视觉常识”如近大远小、遮挡关系。典型技术Depth Anything、MiDaS。相机位姿估计 (Camera Pose Estimation)输入2D图像以及对应的3D空间点或相邻图像。输出相机在世界坐标系中的旋转矩阵 $\mathbf{R}$ 和平移向量 $\mathbf{t}$共 6 个自由度。本质求解几何数学方程。确定“相机在哪里朝向哪看”。典型技术PnP问题求解、SLAM (同时定位与地图构建) 中的前端里程计。 它们之间的深层联系这四个技术在实际应用中通常不是孤立的而是像乐高积木一样组合在一起形成闭环1. 前提与输入的关系要进行几何重建通常必须先知道每张照片的相机位姿由位姿估计提供。一旦完成了几何重建得到了 3D 模型就可以利用视觉渲染从任意新视角生成照片。2. “新视图合成”中的三者结合 (如NeRF/3DGS)现代神经渲染技术完美融合了这三者输入一组照片先用相机位姿估计算出每张照片拍照时的位置。利用深度学习进行几何重建隐式或显式地构建出3D场景。最后通过视觉渲染让用户可以流畅地在虚拟场景中360度观看。3. 单目深度是对几何重建的补充传统几何重建必须依赖多张有重叠区域的照片。如果只有一张照片或者多张照片之间移动太小基线太窄几何学失效此时必须引入单目深度估计来辅助恢复 3D 结构。 总结矩阵技术名称核心方向依赖数学/理论常用场景视觉渲染3D $\to$ 2D光学、计算机图形学游戏、电影特效、VR/AR几何重建2D $\to$ 3D多视图几何、计算机视觉测绘、文物数字化、3D 扫描单目深度估计2D $\to$ 深度深度学习模式识别自动驾驶、手机人像虚化相机位姿估计求解相机状态矩阵变换、空间几何机器人导航、SLAM、AR 投放