基于照片的CSM（摄影测量重建）管线走完空三、稠密匹配、网格重建之后，最后一步纹理映射往往决定成果的最终观感。几何再精确，只要贴图上出现一道道颜色突变的地带，整个模型立刻显得廉价。接缝问题的本质是：模型上相邻的两个三角形面片，可能分别从两张不同的照片上采样颜色，而这两张照片在曝光、白平衡、光照条件上并不一致，交界处自然产生颜色跳变。本文围绕多视图纹理融合与边缘混合两条主线，把解决这一问题的思路和代码讲清楚。
接缝是怎么产生的：先诊断再下药
要消除接缝，首先得明白它的来源。第一种也是最普遍的原因是光度不一致。同一个墙面，上午拍的照片偏暖，下午拍的照片偏冷，两块纹理拼在一起必然有一条分界线。第二种原因是视点选择抖动。当不同照片对面片的观测角度都很接近时，视点选择算法在两个候选之间来回切换，交界处会形成锯齿状的碎块接缝，远看像模型被划花了。第三种是几何误差引起的投影错位，网格与真实表面有几毫米偏差，不同视角投影同一处细节时位置对不齐，即使颜色一致，也会出现结构上的重影和错边。
诊断方法很简单：把纹理图集导出来，用图像编辑软件把接缝区域放大观察。如果两侧整体色块差异大，属于光度问题，走颜色协调路线；如果接缝走向碎乱、呈锯齿状，是视点选择问题，需要优化选择函数或者做融合；如果接缝两侧纹理内容错位（砖缝、窗框对不上），那是几何精度不够，先回头修几何，融合救不了错位。
全局颜色协调：性价比最高的第一步
在动手做复杂的图像融合之前，先做一遍全局光度一致性调整，往往能消掉七八成的接缝强度。做法是为每张照片求解一个颜色变换模型（增益向量g，通常是RGB三个通道各一个系数），目标是最小化所有重叠面片上的颜色差：
import numpy as np
# 每张图像一个 3 维增益，初始为 1
num_images = len(images)
gains = np.ones((num_images, 3))
# 构建最小二乘：对每个被多张图观测到的面片，
# 要求 g_i * color_i(face) ≈ g_j * color_j(face)
# 迭代求解（简化版高斯赛德尔风格）
for it in range(100):
for i in range(num_images):
A, b = [], []
for j, shared_faces in overlap_pairs[i].items():
for f in shared_faces:
A.append(gains[j] * colors[j][f]) # 参考邻居颜色
b.append(1.0) # 目标颜色恒等
if A:
gains[i] = np.linalg.lstsq(np.array(A), np.array(b), rcond=None)[0]
gains /= np.mean(gains) # 固定整体尺度，防止漂移这套方法对应论文中的经典光度校正（Lempitsky 的 View Selection 加 Gain Compensation 流程），OpenMVS、Meshroom 内部都有类似实现。它的优点是计算便宜、效果立竿见影；缺点是只能消整体色调差，对局部的光照渐变（比如一侧被树影遮挡）无能为力。因此它通常作为融合前的预处理步骤，而不是终点。
还有一个容易被忽略的细节：颜色空间。调整增益请在线性 sRGB 空间做，如果直接在 gamma 编码后的 8bit 值上做乘法，暗部误差会被非线性放大，修完反而出现新的色阶断层。图像读入后先做 pow(c, 2.2) 转线性，调完再 pow(c, 1/2.2) 转回去。
多视图纹理融合：从硬切换到软混合
经典的视点选择策略是每面片只选一张图，这是接缝的直接制造者。融合的思路则相反：对重叠区域的每个纹素，按权重混合多张候选照片的颜色，权重随观测角度、分辨率、到投影边界的距离平滑变化，接缝自然就不存在了。常用的权重形式为：
# w = 角度权重 * 分辨率权重 * 边界距离权重
def weight(view, face_center, face_normal):
view_dir = (camera_pos[view] - face_center).normalized()
angle_w = max(0.0, np.dot(view_dir, face_normal)) ** 2 # 正对越大
res_w = projected_pixel_area(view, face) # 投影分辨率越高越大
edge_w = signed_distance_to_texture_boundary(face) # 离本图投影边界越远越大
return angle_w * res_w * smoothstep(edge_w)其中边界距离权重是消除接缝的关键：一张照片在自己投影区域的边缘权重趋近于零，邻居的权重趋近于一，切换发生在两者权重交叉处，过渡带内颜色是线性混合的。RealityCapture 的多波段融合、OpenMVS 的纹理融合模块都基于类似思想。
融合的代价是计算量和纹理的"锐度"。混合多个视角相当于对图像做低通，细密的纹理（砖缝、树叶）会略微变糊。缓解办法是控制参与融合的视图数量：每个面片只保留观测角度最好的 2 到 3 张图参与混合，其余直接淘汰，既保证过渡平滑又不至于大面积糊化。
拉普拉斯金字塔融合与泊松融合：接缝区域的图像级修补
如果只能在纹理图集的 2D 平面上做文章（比如管线已经固定，只能后处理图集），可以直接借用图像拼接领域的两大杀器。首先是拉普拉斯金字塔融合：对两张相邻纹理块，构造一个在接缝两侧平滑过渡的掩码，然后在金字塔各层分别混合，低频保证颜色过渡，高频保留各自细节，不会出现直接 alpha 混合带来的模糊。OpenCV 里几乎一行就能跑起来：
import cv2
import numpy as np
def laplacian_blend(imgA, imgB, mask):
# mask: 单通道浮点图，1 表示取 A，0 表示取 B，接缝处平滑渐变
G_A, G_B, G_M = [imgA.copy()], [imgB.copy()], [mask.copy()]
for _ in range(6):
G_A.append(cv2.pyrDown(G_A[-1]))
G_B.append(cv2.pyrDown(G_B[-1]))
G_M.append(cv2.pyrDown(G_M[-1]))
# 生成拉普拉斯金字塔
L_A = [G_A[i] - cv2.pyrUp(G_A[i+1], dstsize=G_A[i].shape[:2])
for i in range(6)]
L_B = [G_B[i] - cv2.pyrUp(G_B[i+1], dstsize=G_B[i].shape[:2])
for i in range(6)]
blended = [G_M[i]*L_A[i] + (1-G_M[i])*L_B[i] for i in range(6)]
result = blended[5]
for i in range(4, -1, -1):
result = cv2.pyrUp(result, dstsize=blended[i].shape[:2]) + blended[i]
return result其次是泊松融合（cv2.seamlessClone）。它把接缝两侧的梯度场当作约束，在重叠区内求解一个泊松方程，使混合结果既保留目标图的细节梯度，又无缝继承周围的颜色水平。泊松融合对光照差异极强的场景效果惊人，但要注意两点：一是它是非线性求解，大区域融合耗时长；二是如果两侧几何投影错位，泊松融合会强行抹掉差异，产生扭曲的"融化"感，所以它只适合光度差异场景，不适合结构错位场景。
工程实践：一条可落地的完整流程
综合以上手段，推荐的处理顺序是：几何精修 → 光度校正 → 融合式纹理映射 → 图集级金字塔混合兜底。先确保网格误差小于半个像素的投影尺寸，否则后面全是徒劳；然后做全局增益补偿统一色调；接着在纹理映射阶段启用多视图融合，接缝过渡带宽度建议设为 20 到 40 个纹素，太窄过渡突兀，太宽细节损失明显；最后对残余的色差用拉普拉斯金字塔在图集上做局部修补。
调参时准备一组对照：同一模型分别用硬切换、纯 alpha 混合、金字塔融合渲染三张特写，从近景观察砖缝、墙面文字这类高频内容是否清晰。另外图集布局也有讲究，让属于同一张源照片的面片尽量落在图集的连通区域，减少接缝总数，比事后修补更划算。如果使用现成工具，OpenMVS 的 TextureMesh、Meshroom 的 Texturing 节点都已内置融合与羽化选项，把 blending 从 classic 切换到 multiband 就能直接看到效果差异。
最后提醒一句：接缝处理的本质是在"颜色一致性"和"纹理锐度"之间找平衡。任何融合算法都有代价，不要盲目追求把所有参数拉满，肉眼在最终渲距离下的观感才是唯一验收标准。理解每一步处理消掉的是哪一类差异（色调差、过渡差还是结构差），才能在问题复现时快速定位该调哪一环。