基于COLMAP与OpenMVS的开源三维重建全流程实操复盘（含参数与避坑指南）

前段时间朋友拿来一个陶瓷摆件，说要做一个能在网页上360度展示的三维模型。没有专业扫描仪、预算为零，手头只有一台入门级单反和一台装了开源软件的台式机。我选了COLMAP + OpenMVS这套组合：先让COLMAP把照片变成稀疏点云和相机位姿，再走一遍稠密重建拿到密集点云，最后用OpenMVS把点云转成高精度Mesh并贴上纹理。全程不花一分钱软件费用，最终输出的PLY/OBJ模型，几何细节和纹理还原度都相当能打。

这篇博文就是这次实操的完整复盘。内容从拍照规范讲起，覆盖COLMAP特征提取、稀疏/稠密重建的每一步命令和关键参数，再讲OpenMVS从格式转换到Mesh重建、Mesh细化、纹理映射的整套流程，最后把我踩过的坑和排查思路整理成速查表。无论你是刚接触三维重建的学生、做数字化存档的从业者，还是想给产品做展示模型的工程师，这套流程都可以直接抄作业。

1. 整体方案与核心原理拆解

先说清楚COLMAP和OpenMVS分别负责什么，这是理解整套流程的关键。

COLMAP是一个基于运动恢复结构（Structure-from-Motion，SfM）和多视角立体视觉（Multi-View Stereo，MVS）的开源三维重建软件。它做的是“从照片算出相机位置和稀疏点云”这件事：先提取每张图片的特征点，再跨图片匹配相同的特征点，通过几何约束（对极几何）估计相机位姿，最后通过三角化和光束法平差优化出稀疏三维点。再加上PatchMatch立体匹配，可以输出每个视角的深度图，融合成稠密点云。COLMAP的强项是鲁棒性好，特征匹配和相机自标定做得非常成熟，几乎成了这个领域的标配前端。

OpenMVS则是一个专注“点云之后”的处理管线。它接收COLMAP输出的相机参数和点云，核心能力是把稀疏/稠密点云变成规整的三角网格，并且做网格优化和纹理映射。OpenMVS的Mesh重建基于Delaunay四面体化和图割的能量最小化方法，能自动判断哪些区域是表面、哪些是内部，生成封闭且干净的Mesh。纹理映射阶段会为每一个三角形选择可见性最好的视图，做全局颜色一致性优化，消除接缝，生成带真实纹理的模型。

为什么这两者配合特别好？因为COLMAP输出的是“点云视角”，直接拿点云去渲染或者3D打印都不合适；而OpenMVS补齐了“网格化+纹理化”这一环，两者合起来才是一套从照片到成品mesh的完整闭环。单独用COLMAP也能通过Poisson重建之类的方法出Mesh，但OpenMVS的处理更强，尤其在纹理质量上明显好一个档次。

完整流程可以概括为一条链：

• 图片采集：围绕目标物体拍摄，保证足够重叠率
• COLMAP特征提取与匹配：找到图片间的对应关系
• 稀疏重建：估计相机位姿和稀疏点云
• 图像去畸变：根据标定结果修正图像、准备稠密重建数据
• PatchMatch稠密重建：逐视角计算深度图
• 深度图融合：生成稠密点云
• OpenMVS格式转换：把COLMAP结果转为OpenMVS工程文件
• 点云稠密化：OpenMVS重新融合深度图，得到更干净更密的点云
• Mesh重建：从点云生成三角网格
• Mesh细化：让网格几何更贴合真实表面
• 纹理映射：投影纹理、消除接缝、导出模型

这条链路里，每一步的产出都是下一步的输入。某一步质量垮了，后面怎么调都救不回来，所以我会在每个环节把参数和判断标准一并讲清楚。

至于环境安装，COLMAP在Windows、Linux、macOS上都有预编译版本，直接去GitHub Releases下载即可；也可以conda一键装：conda install -c conda-forge colmap。OpenMVS在Ubuntu上推荐源码编译，依赖有Boost、Eigen、OpenCV、CGAL、Ceres、VCGlib。编译命令大致是：

git clone https://github.com/cdcseacave/openMVS.git openMVS cd openMVS git submodule update -i -r mkdir build && cd build cmake .. -DCMAKE_BUILD_TYPE=Release -DVCG_DIR=../vcglib make -j$(nproc)

Windows下编译OpenMVS稍微折腾，建议直接用社区编译好的二进制，或者用WSL里的Ubuntu跑流程，能省很多编译排错的精力。

2. 数据采集：决定重建成功率的一环

很多人一上来就装软件、跑命令，结果重建出来一团糟，然后怀疑算法不行。实际上，三维重建项目里“拍照片”这步对结果的影响至少占五成，甚至更多。相机标定和重建算法再强，也扛不住糟糕的输入图像。

2.1 拍照前先想清楚目标物体的特性

COLMAP依赖物体表面的纹理特征来做匹配。无纹理的白墙、纯色杯子、镜面金属这类物体，特征提取阶段就找不到几个可靠特征点，后面的流程基本白跑。如果你非要重建一个素色物体，办法是在旁边放一些纹理丰富的参照物（比如报纸、标定板），让匹配有足够的特征；也可以提前在物体表面做可移除的标记，但这样做会破坏原始外观，做展览级数字存档要慎重。

透明物体（玻璃瓶、水晶摆件）和强反光物体（抛光金属）也是重灾区。光线穿过或反射后，同一物理点在两个视角下颜色差异巨大，匹配算法会“认不出来”。如果是小件物品，可以试试在表面喷一层显影剂或者消光喷雾，拍完再清理；大件场景则要接受物理限制，换角度、换柔光光源来降低镜面反射的影响。

2.2 拍照路径与重叠率控制：别绕着一个轴转圈拍

一条铁律：相邻两张照片的重叠率要控制在60%到80%。重叠太少，特征匹配数量不足，相机位姿估计容易失败；重叠太多，比如连续拍了上百张几乎一样的照片，只会白白增加计算量，而且重复图像会让BA（光束法平差）退化。

更关键的是拍照路径。很多人习惯站在一个固定位置，把物体放在转盘上转着拍，或者自己绕着物体走一圈只做旋转、没有平移。这种“纯旋转”拍摄方式在SfM里是个经典的退化配置，相机位姿估计不出来，重建结果会是一片乱点云。正确做法是像拍轨道镜头一样，一边绕物体移动一边改变相机与物体的距离和角度，让相机轨迹在三维空间里形成足够的基线。简单说：绕拍的同时，镜头要始终对着物体并保持前进方向与视线方向有明显夹角。

对小物体（比如一个杯子、一个手办），推荐拍摄三轮：

1. 水平环绕一圈，相机略高于物体，向下俯视约30度
2. 水平环绕一圈，相机与物体同一高度，平视
3. 水平环绕一圈，相机低于物体或从上方俯拍，视情况而定

每一轮之间上下错开一点角度，让不同高度的特征都能被覆盖。一个常规物体拍40到80张足够了，不需要贪多。大场景（比如建筑、房间）则要多走“之”字形路线，确保墙面、地面、转角都有足够的视角覆盖。

2.3 光照、曝光与图像质量

拍照时光线要稳定。最理想的是阴天户外或者室内用柔光灯，避免太阳直射产生的硬阴影。不要开闪光灯直接怼着物体打，会产生高光和生硬阴影。另外，相机要固定光圈、快门、ISO，最好用M档手动曝光。如果自动曝光导致同一物体在不同照片里明暗差异巨大，颜色一致性匹配会受影响，纹理映射阶段也会看到明显的曝光接缝。

快门速度要保证画面不糊。手持拍摄时，安全快门至少是焦距的倒数；最好上三脚架或桌面稳定器。运动模糊是隐形的杀手——人眼看照片好像还行，但对特征提取来说，模糊意味着特征点位置不稳定，RE（重投影误差）会飙升。

最后筛选一次图片：把明显过曝、欠曝、虚焦、构图离谱的照片直接删掉。宁可少而精，不要多而乱。一个简单标准：每张照片上物体主体应该清晰，且占据画面中心至少1/3的面积。拍得太远景，重建出来细节必然不够。

3. COLMAP实操：从照片到稠密点云

照片准备好之后，就进入COLMAP的环节。我用的是命令行方式，比GUI更适合批量处理和参数复现。下面按流程走一遍。

3.1 准备工作目录与工程结构

先把所有筛选后的照片放到images文件夹里，然后在同一目录下建好后续输出目录。推荐结构：

project/ ├── images/ # 所有输入照片 ├── database.db # 特征/匹配数据库（自动生成） ├── sparse/ # 稀疏重建输出 ├── dense/ # 稠密重建输出

照片用英文或数字命名，不要用中文，路径也别带中文，很多工具在中文路径下会出现莫名其妙的读取错误。图片分辨率建议控制在2000到4000像素之间。太小丢失细节，太大计算量和显存占用会成倍增加，普通项目没必要上几千张原始大图。

3.2 特征提取：让算法看见特征点

第一步是特征提取。COLMAP默认用SIFT特征的改进版本，对旋转、尺度变化和光照变化都有不错的鲁棒性。跑起来很快，一张2000万像素的图大概一两秒（视GPU而定）。

colmap feature_extractor \ --database_path database.db \ --image_path images \ --ImageReader.camera_model OPENCV \ --SiftExtraction.use_gpu 1 \ --SiftExtraction.max_num_features 8192

这里--ImageReader.camera_model OPENCV是让COLMAP自己标定镜头畸变和相机内参。如果已知相机内参（比如从EXIF里算出来的焦距），也可以先设置，但多数时候让算法自动估计更稳。max_num_features 8192是每张图最多提取的特征点数量，一般物体/场景默认值够用；特征稀疏的场景可以改成16384，但要注意后续匹配时间会变长。

如果是鱼眼镜头或超广角，要改相机模型为OPENCV_FISHEYE或FULL_OPENCV，否则畸变校正不准确，重建会扭曲。另外，--SiftExtraction.estimate_affine_shape 1可以提升特征对视角变化的适应性，代价是特征提取时间大约多一倍，但对那种视角跨度很大的环绕拍摄很有帮助。

3.3 特征匹配：建立图像之间的“信任关系”

接下来要做特征匹配。照片数量在几百张以内、且是典型环绕拍摄时，用暴力匹配最省心：

colmap exhaustive_matcher --database_path database.db

它会两两匹配所有图像对，结果最全，但计算量随照片数平方增长。三百张以上照片，建议改用sequential_matcher（适用于按顺序连续拍摄的视频抽帧/轨迹拍摄）或者vocab_tree_matcher（先用视觉词袋找出候选图像对，再精确匹配）。词袋匹配需要一个预训练词袋文件vocab_tree_flickr100K_words256K.bin，COLMAP官方文档里可以下载。

跑匹配时留意数据库里匹配对的数量。匹配对太少说明重叠率不足，太多则可能包含大量冗余图像。这一步之后，可以在日志里看到每张图匹配到的图像数量，如果大部分图匹配数量都小于10，基本可以判定拍摄质量有问题，返回去补拍比强行继续更高效。

3.4 稀疏重建：相机位姿与稀疏点云的诞生

匹配完成就到了SfM的核心一步：

colmap mapper \ --database_path database.db \ --image_path images \ --output_path sparse

这一步会做增量式重建：从一对匹配点足够多、基线足够稳定的图像开始，三角化出初始点云，然后逐张注册新图像，每注册一批就跑一次全局BA，不断优化相机位姿和三维点坐标。输出到sparse/下的可能是多个子模型（0/、1/等），这是COLMAP在图像无法连通时自动拆出的多个模型。一般取点数最多的那个子模型，也就是sparse/0。

判断重建好坏，最直接的方式是打开sparse/0下的images.bin（或者导出PLY看点云），看手机的图像注册率。如果大量图像没有注册成功，或者注册成功但重投影误差很大，就要回头检查拍摄问题和匹配数量。另外可以看sparse/0/points3D.bin转出的PLY点云：好的稀疏点云应该形状清晰、物体轮廓可辨，而不是一团随机散点。

几个常用调参手段：

• --Mapper.min_num_matches 15：增加匹配点阈值，减少误匹配影响
• --Mapper.multiple_models 0：强制所有图像注册到同一个模型，避免被拆成多个
• --Mapper.ba_global_function_tolerance 1e-6：降低BA收敛容差，提高优化精度

稀疏重建的目的是拿到相机位姿，不是最终输出，所以不用在这里花太多时间抠细节，关键是确保大部分图像成功注册。

3.5 图像去畸变：给稠密重建准备干净数据

接下来要用相机标定结果把所有图像去畸变，并导出稠密重建需要的格式：

colmap image_undistorter \ --image_path images \ --input_path sparse/0 \ --output_path dense \ --output_type COLMAP

执行后会生成dense/images（去畸变后的图像）、dense/sparse（对应的相机模型和位姿）以及dense/stereo/depth_maps目录。--output_type COLMAP表示同时保存COLMAP自己的数据格式，方便后面PatchMatch读取。这一步本质是“用标定好的几何把所有图像重新投影一遍”，所以它也是整个流程里第一个能看到“全局几何是否成立”的检查点。如果去畸变后的图像出现严重扭曲或者物体形状明显异常，多半是相机模型设置不对或者稀疏重建本身有问题。

3.6 PatchMatch稠密重建：逐像素计算深度

稠密重建的核心指令是：

colmap patch_match_stereo \ --workspace_path dense \ --workspace_format COLMAP \ --PatchMatchStereo.geom_consistency true

PatchMatch是一种快速立体匹配算法。它假设物体表面是局部光滑的，通过随机初始化深度和法向量，再不断传播和细化，为每个像素估计一个最优的深度值，生成深度图。geom_consistency true会开启几何一致性检查，让多个视角的深度图相互验证，能明显减少噪点和错误深度，代价是计算时间翻倍，但对最终Mesh质量很有帮助。

这一步最大的坑是显存。图像分辨率高、数量多时，显卡显存很容易爆掉。如果显存有限，可以限制工作分辨率：

colmap patch_match_stereo \ --workspace_path dense \ --workspace_format COLMAP \ --PatchMatchStereo.geom_consistency true \ --PatchMatchStereo.max_image_size 2000

max_image_size 2000会把参与匹配的图像最长边缩放到2000像素，速度大幅提升，深度图细节略有损失，但常规展示级别足够。GPU显存不够的，也可以--PatchMatchStereo.use_gpu 0退到CPU，只是慢得让人怀疑人生，真到那一步还是优先降分辨率。

执行完，dense/stereo/depth_maps下会生成每个视角的深度图和法向图文件。深度图是后续融合的原料。

3.7 深度图融合：得到稠密点云

最后把深度图融合成一张完整的稠密点云：

colmap stereo_fusion \ --workspace_path dense \ --workspace_format COLMAP \ --input_type geometric \ --output_path dense/fused.ply

--input_type geometric表示只融合通过几何一致性验证的深度像素，输出更干净；如果点云太稀疏，可以改成photometric，它会保留所有光度一致的深度像素，点云更密但噪点也更多。融合完成后，用MeshLab打开fused.ply看一眼，质量合格的稠密点云应该轮廓清晰、表面连续、没有大片空洞和悬浮噪点。

到这一步，COLMAP的部分全部完成。dense目录下的数据将成为OpenMVS的输入。

4. OpenMVS实操：从点云到高精度Mesh与纹理

OpenMVS拿到COLMAP的成果后，要做的是“表面重建”——把离散点云变成连续表面，再附上纹理。这块是OpenMVS的主场，也是最终成果质量的决定因素。

4.1 格式转换：让两个软件“对上话”

OpenMVS不认识COLMAP的二进制格式，需要先转成它的工程文件：

InterfaceCOLMAP \ --input-path dense \ --output-path project.mvs

这里的--input-path指向COLMAP的dense目录，OpenMVS会自动读取里面的去畸变图像、稀疏相机位姿和fused.ply稠密点云，生成project.mvs。project.mvs是OpenMVS内部工程文件，后面所有工具都以它为输入。转换完之后，可以得到一个project.mvs（几何和相机信息）以及project.mvs同目录下的图像列表，纹理映射也需要这些图像。

如果转换后出现“图像读取失败”之类的报错，先确认dense/images里的图像文件能正常打开，路径没被改动。

4.2 点云稠密化：让点云更密、更干净

虽说不做这步也能直接重建Mesh，但实测下来，OpenMVS自带的深度图融合比COLMAP原生融合在边缘和弱纹理区域的表现更好。这步能明显提升Mesh的完整度：

DensifyPointCloud project.mvs -w workdir --resolution-level 1

--resolution-level 1表示在原始分辨率下工作，数字越大降采样越狠。显存不够时可以用--resolution-level 2，效果依然可以。输出是workdir/project_dense.mvs和对应的稠密点云project_dense.ply。

这一步的思考逻辑是：OpenMVS会重新利用所有图像做多视角深度估计和融合，得到比COLMAP融合点云更均匀的点云。如果你的场景纹理丰富、照片质量高，而且COLMAP的fused.ply已经很干净，这步的效果提升可能看不太出来；但弱纹理、重复纹理场景下，--view-selection策略会显著减少空洞和飞点，还是值得跑一遍。

4.3 Mesh重建：从点云到三角网格

有了高质量点云，就有了Mesh重建的原料：

ReconstructMesh workdir/project_dense.mvs -w workdir --remove-spurious 30

OpenMVS的Mesh重建先基于点云构建立体剖分结构（Delaunay四面体化），把空间划分成四面体，然后通过图割算法对每个四面体做“内部/外部”判断，最终提取出表面三角网格。--remove-spurious用于过滤那些离群的面片，数值越大过滤越激进，默认值在30附近。如果你的点云比较干净，可以调小到15左右，避免误删真实细节；点云噪点多就调大，比如50。

输出为workdir/project_dense_mesh.mvs和project_dense_mesh.ply。用MeshLab打开这个Mesh看整体轮廓：好的Mesh应该是封闭的、表面没有大的破洞，不会有乱七八糟的飘浮面片。如果模型上有大量细长三角形或者明显的“拉花”状结构，多半是点云本身有问题或者--remove-spurious太激进，需要回到前面步骤排查。

4.4 Mesh细化：让几何更贴合真实表面

Mesh重建用的是点云插值出来的等值面，几何精度和真实表面还有差距。RefineMesh会做一次变分光顺：把Mesh顶点按法向量方向投影到多视角深度图上，优化顶点的三维位置，让Mesh表面更贴合真实物体的细节。这一步对精度提升非常直观，尤其是边缘、凸起和凹陷特征明显的物体。

RefineMesh workdir/project_dense_mesh.mvs -w workdir

输出是workdir/project_dense_mesh_refine.mvs。这一步参数大多不用动。如果发现细化后的Mesh在边缘出现锯齿或凹凸不平，可以适当调大--smoothness（默认值0.2附近），让表面更光滑；但调太大会牺牲细节，要按物体特点权衡。对机械零件这类需要硬边的物体，建议保持默认甚至调小平滑，别把特征边磨圆了。

4.5 纹理映射：给Mesh“穿上衣服”

几何完成之后，就是最折磨人也最出效果的一步——纹理映射：

TextureMesh workdir/project_dense_mesh_refine.mvs -w workdir \ --resolution-level 1 \ --texture-size 8192 \ --outlier-threshold 0.01

--texture-size 8192决定单张纹理图的分辨率，数值越大纹理越清晰，但显存和内存占用也越高，一般4096到8192足够。--outlier-threshold用于剔除视图不一致的像素，值越小越严格。纹理映射的原理是：对每个三角形，在所有能看到它的视角里选一个最合适、最清晰、角度最正的图像来源，把图像内容“贴”到三角形上，然后做全局颜色一致性优化和接缝融合。所以如果某些视角上的物体被遮挡或者角度太偏，最终纹理就会模糊或者拉伸。

输出包括project_dense_mesh_refine_texture.mvs和若干纹理图（PNG/JPG）。导出给渲染引擎或网页端时，可以指定输出格式：

TextureMesh workdir/project_dense_mesh_refine.mvs -w workdir \ --export-type obj \ --texture-size 8192

会得到OBJ+MTL+纹理图，Blender、Unity、Three.js直接就能用。

纹理映射阶段常见问题：

1. 纹理模糊：说明这个区域可用的清晰视角太少，要补拍近景或者提高图像去畸变的质量
2. 纹理接缝明显：可以加大纹理图分辨率，或者检查拍摄时的曝光一致性
3. 纹理错乱：通常是个别视角的位姿不准确，回到COLMAP稀疏重建阶段，删掉重投影误差大的图像重新跑

4.6 成果检查与模型简化

导出Mesh后，建议先做一轮快速检查。用MeshLab打开OBJ，旋转模型看几个方面：几何轮廓是否完整、纹理有没有明显拉伸或遮挡、法线方向是否正确（有没有大面积黑面）。如果法线反了，MeshLab里选Filters -> Normals, Curvatures and Orientation -> Re-Orient all faces coherently修复一下。

用于网页展示或3D打印前，通常还要做模型简化。OpenMVS输出的Mesh面数可能高达几百万甚至上千万，网页端根本扛不住。可以用MeshLab的Quadric Edge Collapse Decimation减面，目标面数按需设置：网页展示50万到200万足够，3D打印则要看打印机精度，太高面数反而容易出错。减面后再烘焙一次纹理（可以在Blender里做，也可以用CloudCompare），就能得到一个既轻量又好看的最终模型。

5. 常见问题与排查技巧实录

这一节是重点中的重点。以下问题几乎每个跑通这套流程的人都会遇到，我把现象、原因、对策整理成一张速查表，再展开讲几个高频坑。

5.1 稀疏重建“翻车”的三大根源

我在实际项目里遇到最多的，就是照片看着拍得挺好，但mapper跑完只注册了不到一半图像。排查顺序如下：

第一步，看特征匹配对数。如果大量图像对匹配数少于30，说明图像间重叠太小，或者特征点不够。第二步，检查拍摄路径是不是绕着一个轴纯旋转。第三步，检查图像里有没有大面积重复纹理（瓷砖、木地板、格子布），这种场景SIFT匹配会大量误匹配，靠min_num_matches提高阈值通常能缓解。

如果是物体本身纹理匮乏（白墙、素色模型），与其硬调参数，不如回到拍摄环境，在旁边加参照物或标记物。这个投入产出比远超调参。

5.2 显存不够时的妥协方案

笔记本GPU只有4G显存，跑3000万像素照片的PatchMatch几乎必爆。我的习惯是两条路并行：先--PatchMatchStereo.max_image_size 1600限制工作尺寸；如果还爆，就把DensifyPointCloud --resolution-level 2降一档分辨率。实测下来，对普通物体，1600到2000像素的深度图融合出来的Mesh，在电脑屏幕上看和原始分辨率差距并不明显，但对准度要求极高的工业逆向场景，还是老老实实上大显存显卡工作站。

5.3 纹理模糊但几何很干净：问题在拍摄视角分布

这种情况多半是物体表面有较多倾斜视角，每个三角形能找到的正视视角不够。解决办法：在补拍时专门对着这些区域拍几组正对视角的照片，让纹理映射有更“正”的图像可用。另外，如果纹理模糊只出现在某一侧，检查那边的照片是不是普遍过曝或欠曝——纹理映射会优先选择曝光正常的视图。

5.4 重建质量自检清单

总结一个我每次跑完流程都要过一遍的检查清单：

• 稠密点云里物体轮廓是否完整，有没有大面积缺失
• Mesh是否封闭，有没有破洞和孤立面片
• 表面有没有明显的波浪状起伏（通常是平滑参数或网格分辨率不匹配）
• 纹理有没有拉伸、模糊、接缝
• 法线方向是否一致，导出的OBJ在预览器里黑面多不多

如果其中任何一项不达标，优先从拍摄环节找原因，再调COLMAP参数，最后才动OpenMVS参数。记住，开源工具的能力边界很明确，数据质量才是决定成品上限的关键。

6. 参数调优的几点个人心得

开源三维重建工具链想跑通很容易，默认参数就能出结果；但想稳定输出高精度Mesh，参数调整的“手感”很重要。这里分享几个我反复验证过的心得。

第一，不要盲目追求高分辨率。--resolution-level 1和--texture-size 8192看起来很诱人，但计算资源消耗成倍增长，效果提升却未必成比例。对直径30厘米以内的物体，去畸变图像最长边2000到3000像素足够了；建筑或大场景，每张4000像素以上配合多块GPU才有意义。先把流程跑通，再逐步加分辨率，是最稳妥的节奏。

第二，拍摄阶段多花10分钟，能在后面省2小时。补拍的代价远低于调参和手工清理点云的代价。我遇到过不少项目，甲方拿来的照片本身重叠率只有20%，我折腾了整整半天，最终的Mesh还是破的。后来干脆要求补拍一组，半小时搞定。记住：COLMAP不是魔术师，它不能无中生有。

第三，OpenMVS各步骤的工作目录要隔离开。-w workdir指定的目录里会堆满中间文件，命名又相似，很容易搞混。建议每次用日期加步骤命名工作目录，比如workdir_0627_dense、workdir_0627_mesh，避免误用旧文件导致结果鬼畜。

第四，Mesh的拓扑质量直接影响后处理。纹理映射之后如果需要导入Blender做动画或编辑，Mesh面数过高会卡。建议在导出前用OpenMVS的ReconstructMesh --max-face-area或者MeshLab减面，同时保留一份原始高精度版本存档，后面随时可以重新出图。