稠密点云重建的三大基石：极线条搜索、光度一致性约束、可视性约束。
极线搜索
在一幅图像中确定一点，在另一幅相邻图像中，也存在与之对应的像素点，而且该点就在另一幅图像的极线中。
对极约束，如下所示：
x1和x2为两像素点，F为基础矩阵，表示相机的旋转和平移。l1和l2表示左极线和右极线。在极线上，进行搜索相对应的像素点，找到与之对应的像素点。再通过三角化，来确定这个像素点的深度。
光度一致性假设
同一空间的点在不同视角的投影应当具有相同的光度，重建的核心在于恢复空间中具有光度一致性的点。
朗伯反射假设：物体表明是朗伯面，从不同的视角去看物体表面，颜色是一样的。
比如：纹理比较均匀的表面，如墙面等，没有强烈光照和阴影的表面，都是朗伯面。
但是，玻璃表面和水面，不是朗伯面。因为它在一个方向上反射的光非常强，在其他方向反射的光非常弱，或者趋近于0。
玻璃建筑或者水面，不能使用光度一致性加速，进行稠密点云重建。也不能进行稀疏点云重建，因为没法进行特征检测。
比如在地形重建的过程中，有一条河，稀疏重建和稠密重建都重建不出来，因为不是朗伯面。
C1图像中的一个点，在另一幅C2图像中做极线搜索，计算C2极线中一点与C1中的点的像素的颜色相似性，判断是不是同一个点。
但是，只考虑一个像素的话，特征是不够强的，因为像素的值变化可能比较剧烈，即使是极线上对应的同一个点，在不同图像上，颜色多少有些差异。不是极线上对应的同一个点，颜色可能会相似。所以，仅用像素的值进行判断，鲁棒性会非常差。
通常，如C1中，以像素Pi1为中心，取一个patch(3*3或5*5)，这个patch就是三维中一个非常微小的平面，把这个patch投影到其他视角上，计算patch内一些采样点的颜色，用来做相似性的计算。这样会提高鲁棒性。
以像素为中心取一个patch，是考虑像素的局部特征。这是基于图像方法做点云稠密重建的，普遍方法。
可视性约束
在重建深度时，相邻的点满足可视性约束。
重建出点的深度不能遮挡其他的点
比如物体表面的点为A'，而优化计算出的点为A，这个A点就是不可靠的点。
因为从第i个视角，图像中的A'点看不到，但是实际中可以看到A'点。
说明重建的A点是错误的。
重建出点的深度不能位于物体内部
比如重建出的C点，位于物体内部。位于物体内部的话，在每个视角都是不可见的。
如果重建出的C点在每个视角里的NCC值都非常小，那么这个重建出的C点就是错误的。
正常的重建出的点位于物体的表面
正常的重建出的点，一定位于物体的表面，表面上的点可以被相机观察到。
另外它在每个视角里的NCC值都比价高。
比如重建出的B'点，其对应图像中的B点。
这种情况下满足可视性约束：既不遮挡其他的点，也不被其他的点遮挡。
