针对传统无人机影像三维重建计算效率低、在大视差及弱纹理区域质量不佳的问题，本文提出了一种融合截断符号距离函数（TSDF）与全局平面先验的在线深度估计和网格重建框架。通过历史帧融合的 TSDF 场进行光线投射获取先验深度与法向，结合全局平面信息优化深度图，实现了高精度、高效率的在线三维重建。
自然灾害等应急场景迫切需要在线三维重建，但现有技术在效率、精度和泛化性上仍存在明显局限。
依赖高成本的 RGB-D 或激光雷达传感器，增加了无人机载荷与应用门槛。
无法有效利用全局信息，在大视差和弱纹理区域容易产生严重噪声与匹配错误。
如 PatchmatchNet 等方法虽提升了效率，但对训练数据高度敏感，跨场景泛化能力有限。
如 Mobile3DRecon 等轻量级算法在面对结构复杂、高差大的场景时精度退化明显。
方法包含降采样深度图计算、全局平面引导深度优化和增量网格重建三个核心模块。
采用非等间隔离散采样。利用历史帧 TSDF 场通过光线投射获取先验深度和法向，计算平面单应性引导的匹配代价，并引入“代价比”策略剔除遮挡误匹配，最后通过 SGM 聚合求解。
提取平面并增量更新全局平面。引入平面一致性权重函数优化原始分辨率图像的匹配代价，同时利用降采样先验深度约束搜索范围，显著降低计算耗时。
计算体素深度差并进行截断归一化更新 TSDF 场，最后采用 Marching Cubes 算法从 TSDF 场中提取等值面，生成最终的高质量三维网格。
采用逆深度线性分布，在近距离处采样更密集，远距离处采样更稀疏，符合视觉透视规律。
结合全局平面法向与先验深度，对原始匹配代价进行加权优化，提升弱纹理区域精度。
在城市、山地、居民地和乡村 4 组典型无人机测区中，本文方法在深度估计、网格质量和计算效率上均表现卓越。
| 测区 (地形特点) | 方法 | Abs Rel (%) | MAE (m) | RMSE (m) |
|---|---|---|---|---|
| 城市建筑 (弱纹理、大视差) | Mobile3DRecon | 0.5223 | 0.1583 | 0.2271 |
| 本文方法 | 0.4027 | 0.1221 | 0.1695 | |
| 山地 (高差大、植被覆盖) | PatchmatchNet | 0.1722 | 0.3516 | 0.4054 |
| 本文方法 | 0.1125 | 0.2323 | 0.2656 |
本研究有效解决了传统方法在复杂场景下的精度与效率问题，为无人机应急三维重建提供了新范式。
利用 TSDF 场光线投射获取深度和法向先验，使边缘误差降低了 20.2%，网格完整度提升了 14.6%，有效填补了建筑立面空洞。
全局平面信息显著提升了弱纹理、重复纹理区域的匹配精度，MAE 最大降低了 37.9%，深度图层次分明且噪声极低。
通过 GPU 加速和搜索范围约束，实现了优于 1秒/帧 的重建速率。未来将探索自适应截断阈值，并引入深度学习优化先验深度计算。