深圳大学:融合大显存GPU紧凑数据调度策略的无人机影像匹配方法及其三维重建应用

原文标题：融合大显存GPU紧凑数据调度策略的无人机影像匹配方法及其三维重建应用

作者：姜三，游侃，周汝琴，张星，王智均，李清泉

来源：ISPRS Journal of Photogrammetry and Remote Sensing（影响因子12.2，中科院1区TOP期刊）

论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0924271626001280

DOI:10.1016/j.isprsjprs.2026.03.014

    无人机倾斜摄影凭借其灵活、高分辨率的特点，已成为大规模三维重建的重要数据源。然而，面对动辄数千甚至数万张影像的数据规模，传统特征匹配方法面临两大核心挑战：一是影像对组合呈平方级增长（O(n²)），导致计算开销巨大；二是高维特征描述子的最近邻搜索存在严重的“维度灾难”，在有限GPU显存下难以兼顾效率与精度。

深圳大学姜三副教授在摄影测量与遥感领域顶级期刊ISPRS P&RS发表了研究成果，论文通讯作者为李清泉院士。硕士研究生游侃参与级联hash匹配的核心代码开发。本研究合作单位的作者包括光明实验室王智均研究员、深圳大学张星副教授、信息工程大学周汝琴讲师。该研究提出了一种基于矩阵带宽缩减（Matrix Band Reduction, MBR）的GPU数据调度方法，实现了无人机影像的高效特征匹配，并成功用于大规模场景SfM三维重建。

本研究针对大规模无人机影像特征匹配中匹配对组合数量大、GPU显存受限、以及粗差点剔除效率低下的三大瓶颈，提出了一套系统性的解决方案。该方法包含三个关键步骤：

1. 基于影像检索的场景图构建：利用VLAD全局描述子对影像进行紧凑编码，并通过HNSW图索引实现高效近邻检索，快速筛选重叠影像对，避免全连接匹配，构建稀疏场景图。

2. 基于矩阵带宽缩减的数据调度：针对场景图连接稀疏的问题，引入MBR算法对邻接矩阵进行重排序，将稀疏连接压缩至对角线附近，并迭代生成紧凑的数据调度块，使单次GPU加载包含尽可能多的有效匹配对，最大限度提升GPU计算资源利用率。

3. 级联哈希特征匹配与粗差点剔除：在调度块内执行GPU加速的级联哈希匹配，实现“由粗到精”的高维特征快速搜索；同时，在CPU端并行执行基于空间角度顺序约束SAO的局部几何约束与RANSAC全局几何约束，高效剔除误匹配，保证匹配质量。

     该方法从匹配对筛选、数据调度、特征搜索到粗差点剔除四个维度协同优化，有效攻克了大规模无人机影像匹配中效率与精度难以兼顾的难题。

传统方法依赖POS数据或穷举策略筛选匹配对，在优视摄影测量等复杂采集模式下易失效。本文提出VLAD-HNSW影像检索方法，首先利用预训练码本将SIFT特征聚合成紧凑的VLAD全局描述子，大幅降低存储与计算开销；随后通过HNSW图索引实现高维向量的近似近邻搜索，在保持亚线性时间复杂度的同时，快速筛选出高重叠度的影像对。该方法无需辅助传感器信息，即可在分钟级时间内从数万张影像中精准构建稀疏场景图，为后续数据调度奠定高效、可靠的连接基础。

针对稀疏场景图导致GPU显存利用率低的问题，本文提出MBR数据调度策略。其核心在于对场景图的邻接矩阵进行重排序，将原本分散的匹配对压缩至对角线附近，形成“带宽”紧凑的矩阵结构。在此基础上，依据GPU显存容量将压缩后的矩阵划分为多个数据块，使每个块内包含尽可能多的有效匹配对，实现“一次加载、批量匹配”。通过迭代执行MBR压缩与数据块生成，该方法显著减少了GPU与硬盘间的频繁数据交换，将GPU计算利用率提升至80%以上，从根本上解决了显存受限与算力闲置的矛盾。

为突破高维特征最近邻搜索的“维度灾难”，本文设计了GPU加速的级联哈希匹配流程。该方法采用“由粗到精”的多层哈希编码：先利用短二进制码快速筛选候选匹配，再通过长码精确定位最近邻，在保证召回率的同时大幅降低计算量。匹配过程严格按MBR生成的数据块调度，最大化GPU并行效率。与此同时，CPU端并行执行基于空间角度顺序约束SAO的局部几何约束与RANSAC全局几何验证，在不影响匹配效率的前提下高效剔除误匹配。该协同机制实现了特征搜索与粗差点剔除的双重加速。

实验平台配备Intel i9-13900K处理器与NVIDIA RTX 4090显卡，利用三个大规模无人机数据集（影像数量3743至21654张，分辨率最高8192×5460）对方法进行全面验证。数据集涵盖常规倾斜摄影与优视摄影两种采集模式，场景包括校园、复杂建筑及低矮植被区域。

本方法在效率方面实现了突破性提升。相较于传统KD-Tree匹配方法（ColMap-CPU），取得了77.0至100.0倍的加速比。在处理包含21654张影像的大规模数据集时，匹配耗时从2064.9分钟大幅缩短至26.7分钟，满足了大规模三维重建对效率的需求。

     与主流开源及商业软件对比，本方法匹配速度（对/秒）分别为ColMap-GPU的1.13倍、TLBDS的2.65倍、AliceVision的4.10倍、Metashape的11.28倍、Pix4Dmapper的7.58倍，展现了显著优势。

本研究提出了一种基于矩阵带宽缩减MBR的GPU数据调度方法，有效突破了大规模无人机影像特征匹配的效率瓶颈。该方法通过VLAD-HNSW影像检索筛选重叠影像对，利用MBR算法将稀疏场景图压缩为紧凑的数据调度块，最大化GPU计算资源利用率，并结合级联哈希匹配与SAO+RANSAC粗差点剔除，实现了高精度、高效率的特征匹配。实验表明，该方法在保持匹配质量的前提下，实现了较传统KD-Tree方法77~100倍的加速，千张级影像匹配耗时压缩至分钟级，定位精度达厘米级，为大规模无人机影像的高效三维重建与视觉定位提供了可靠方案。