1、SLAM

        SLAM是Simultaneous Location and Mapping，同时定位与地图构建。是指搭载特定传感器的主体，在没有环境先验信息的情况下，于运动过程中建立环境的模型，同时估计自己的运动。目的是解决自主机器人“定位”和“建图”两个问题。同时要求能够实时地，没有先验知识地进行。SLAM问题的本质是对主体自身（位姿）和周围环境空间（点云）的不确定性的估计。

2、SFM

        Structure from Motion（SFM）是一个估计相机参数及三维点位置的问题。一个基本的SFM pipeline可以描述为:对每张2维图片检测特征点（feature point），对每对图片中的特征点进行匹配，只保留满足几何约束的匹配，最后执行一个迭代式的、鲁棒的SFM方法来恢复摄像机的内参（intrinsic parameter）和外参(extrinsic parameter)。并由三角化得到三维点坐标，然后使用Bundle Adjustment进行优化。

        根据SfM过程中图像添加顺序的拓扑结构，SFM方法可以分为增量式（incremental/sequential SFM）,全局式（global SFM），混合式（hybrid SFM）,层次式（hierarchica SFM）。另外有基于语义的SFM(Semantic SFM)和基于Deep learning的SFM。

3、区别

1. SLAM要求实时，数据是线性有序的，无法一次获得所有图像，部分SLAM算法会丢失过去的部分信息；基于图像的SFM不要求实时，数据是无序的，可以一次输入所有图像，利用所有信息。
2. SLAM是个动态问题，会涉及到滤波，运动学相关的知识，而SFM主要涉及的还是图像处理的知识。

        SLAM：以定位为主，以建图为辅；要求速度大于精度；且是朝轻量级，小型化方向发展。

        SFM：以建图为主，以定位为辅；要求精度更高；朝大规模，大型动态场景的重建方向发展。

        SLAM最重要的作用是定位，相机要知道自己的姿态，因为需要的姿态通常都是3d的，所以在恢复3d姿态的时候，使用pnp方法能得到不少3d点，这些3d点也能成为新的地图，但是多半是稀疏的，当然这是非直接法，直接法会计算图像梯度变换比较大的地方的深度，所以最终能得到半稀疏的地图。slam属于稀疏重建的范畴，它也没有刻意要去重建某个目标，并且要求运行速度很快，通常是在线的，否则在某些场景里面就要出事故，slam要求速度大于精度，所以slam只会在关键帧间做BA，非关键帧都会使用基于filter的方法。

        SFM和SLAM的功能其实是最像的，它的目的也是为了求解相机姿态，同样也能得到3d的稀疏点，它和slam最大的不同在于它要求精度更高，能做BA的地方通常都会做BA。

4、联系

1. 基本理论是一致的，都是多视角几何；
2. 传统方法都需要做特征值提取与匹配；
3. 都需要优化投影误差；
4. 回环矫正和SfM的全局注册方法是同一件事情。