互联网作为重要的数据来源,存在大量泛在数据资源可供利用,其中泛在图片作为分布最为广泛的数据源之一。如何有效利用泛在图片,结合人工智能的相关方法开展泛在图片应用研究,例如三维场景重建,是一项十分重要的研究内容。特征点检测作为图像三维重建中的关键步骤,特征点总数量和重复率对三维重建结果存在影响,例如造成孔洞缺失、整体质量不佳等问题。现有重建算法对数据源的获取存在局限性。基于以上因素,本文从优化特征点检测方法的思路出发,对泛在图像三维重建算法进行研究,主要研究内容及成果如下:1.为了降低三维重建的成本,提升便利性。本文提出使用泛在图片进行三维重建的方法,通过多渠道获取目标图像进行重建,包括摄影设备采集、网络抓取等方式获取的图像数据。同时对三维重建基础原理展开研究。2.研究并设计一种基于深度学习的特征点检测方法At-SpNet。针对目前特征点检测方法中的重复率低、特征点数量不足问题,本文利用多尺度卷积提升检测效率,使用注意力机制提升检测准确度,通过恒等映射来确保特征点检测数量。该方法有效提升了特征点检测的重复率,与同类方法相比降低了检测时间成本,保证特征点检测数量。3.对泛在图片三维重建算法展开研究。针对重建过程中相机参数计算问题,设计一种泛在图片参数计算方法。以本文设计的At-SpNet方法为基础进行泛在图片三维重建实验,采用最近邻方法计算点云的平均距离,通过与阈值比对,改进稠密重建过程中点云离散问题,实现泛在图像三维重建,并对模型的精确度与偏好度进行分析。结果表明,通过本文方法进行三维重建的稠密点云数量明显增多,孔洞缺失有一定改善,整体质量得到提升。4.开展三维模型与二维地图配准研究。通过提取图像可交换图像文件格式信息,将重建好的三维模型定位到其对应的地理空间坐标中,对模型空间尺度进行调整,使其与地图进行贴合,实现三维模型与地图的配准,为以后三维地图的构建提供新的解决方案。