从室内到校园级三维建模技术调研报告
当前对室内及大规模校园环境进行三维建模，主要可通过激光扫描、视觉摄影测量、SLAM 扫描、BIM 数据建模以及神经场景表示方法等途径获取场景数据。
1. 激光扫描类（几何精度最高）
固定站点激光扫描
也称地面三维激光扫描仪，使用时在地面不同方位设置测站进行扫描，输出高密度点云。
- 优点：精度高、结构准确。
- 缺点：成本极高、后处理复杂。
典型设备：Leica、FARO、Trimble相关产品，价格在上万甚至数十万。
手持 / 背包式激光 SLAM 扫描
人拿着一个带激光雷达的设备在室内走一圈，设备一边“定位自己”，一边“扫描环境”，最终拼出整个空间的三维模型，和手机的雷达扫描软件方法类似，但是速度更快，精度更高。
设备一般搭载了一个 激光雷达，一个 IMU（惯导），算力模块，有的带有相机。一般是手持或者背包。
- 优点：工业级 LiDAR，高精度 IMU（包括磁力计，气压计），精度1–3 cm 级，远高于手机LiDAR。
- 缺点：不擅长扫玻璃镜子，纯白墙，很细小的物体（电线），同时也不能直接导入UE，需要很多后期处理（点云处理，网格重建，简化，碰撞生成），无法扫描校园级的室外大范围。
引用网上的一段话：
目前手持SLAM设备离好用两个字还远，存在着太多的条条框框，用户的学习成本还是太高了，比如走回环、比如一直得持稳、比如周围不能有动态物体干扰、比如必须长时间放地上静止初始化等等。一旦最终成果质量出现问题，很多时候都得从用户本身去找原因，比如换个人采集、比如再拿稳点，走慢点等等。
典型设备：赛尔S20SE，价格在一万多。
2. 视觉摄影测量类（性价比最高）
多视图摄影测量
多角度拍摄照片，基于 SfM + MVS （计算机视觉的算法） 重建三维场景。
优点：成本低、纹理真实，适用于校园外观、建筑立面。
缺点：精度依赖光照和纹理，不适合室内，尺度不准。
典型设备：无需设备，仅用拍照。
无人机摄影测量
航拍获取大范围图像，通过模型合成软件（例如RealityCapture），重建室外三维模型。
一个网上的实例，效果挺好：当我把学校做成了打丧尸游戏这画质已经接近现实卧槽！用AI做游戏自动建模学校 无人机获取场景数据（数字媒体技术 毕业设计）#realitycapture #ue
参考配置和后期处理：
2K分辨率
笔记本
拯救者R9000P
R9 7945HX
RTX4060
16G DDR5
无人机：大疆mini3
软件：虚幻5.4
Lightroom Classic（照片批量后期）
RealityCapture（3D扫描软件内有AI工具）DCC软件：ZBrush (雕刻 减面 拓扑)
3dmax（删除漂浮物）
虚幻引擎5（场景搭建，平衡精度与性能）优点：适合大面积的校园场景建模。
缺点：耗时较长，需要无人机，需要专业人员。
对于大尺度校园建模，当前工程上最成熟的方案是基于无人机摄影测量的 SfM + MVS 方法，配合 DCC 工具进行模型优化，最终部署至 UE 等引擎。相比 SLAM 或激光雷达，该方法在成本与纹理真实度方面具有明显优势。
3. 移动端扫描（快速但粗糙）
手机 LiDAR 扫描
已经尝试过，可以对粗糙的场景进行扫描，但无法高精度的扫描整个室内，仅适合做小demo进行仿真的测试。
- 优点：上手简单，后期处理不复杂。
- 缺点：无法扫描精细化物体，扫描的成果粗糙，无法扫描室外。
典型设备：手机（需要支持LiDAR）。
4. 结构化数据建模（非扫描）
BIM / CAD 数据建模
使用已有建筑设计图纸，直接建模三维模型。
优点：尺寸准确、结构清晰
缺点：缺乏真实纹理，BIM / CAD 建模本身具有较高的专业门槛，完整建模通常由建筑、结构或专业建模团队完成。
适用：仿真、规划、数字孪生底座。
5. 神经场景表示方法（不适合仿真）
NeRF / 高斯泼溅（Gaussian Splatting）
比较前沿，基于多视图图像，学习式场景表示。
- 优点：视觉真实感极高。
- 缺点：不具备显式几何与物理属性，因此不适合直接用于物理仿真。
NeRF 或 Gaussian Splatting 可以作为视觉层或背景渲染使用，但在物理仿真中仍需额外提取显式几何模型作为碰撞体，因此其并不能直接作为物理仿真的建模方式。
6. 方法融合与实际工程方案
在实际大规模建模任务中，单一技术路线往往难以同时满足精度、规模与仿真需求，通常采用多源数据融合方案：
- 室外采用无人机摄影测量获取整体结构；
- 室内采用手持 SLAM 或激光扫描补充细节；
- 必要时引入 BIM 数据作为几何与语义基准；
- 最终统一导入 Unreal Engine 进行仿真与可视化。
