r3-reconstruction

# R^3 — 3D Reconstruction via Relative Regression ## Comparativa de alternativas (consultada 2026-09-01) R^3 (310⭐, último push 2026-06-19) es la opción minoritaria del terreno "reconstrucción 3D desde imágenes". Ranking actual del ecosistema: | Repo | Stars | Estado | Cuándo usarlo | |------|-------|--------|---------------| | `facebookresearch/vggt` | 14.314 | CVPR 2025 Best Paper | Primera opción: transformer de geometría visual, multi-vista → pose + profundidad + punto nube | | `colmap/colmap` | 12.609 | Mantenimiento activo (push hoy) | SfM/MVS clásico robusto, la referencia cuando basta precisión y no hace falta deep learning | | `ByteDance-Seed/Depth-Anything-3` | 6.244 | Activo (2026-07) | Monocular depth foundation model; ver skill `depth-anything-3` | | `KevinXu02/R3` (este) | 310 | Activo (2026-06) | Regresión relativa — útil cuando el setup de cámara es irregular/calibración poor; niche académico | **Veredicto:** para trabajo rutinario, VGGT o COLMAP primero; R3 solo si su enfoque de regresión relativa encaja exactamente. Skills hermanos: `depth-anything-3`, `colmap-view`, `gush3r-3d`. - **[KevinXu02/R3](https://github.com/KevinXu02/R3)** — R^3 hace reconstrucción *feed-forward* por regresión de poses relativas, manejando vídeos largos sin SLAM; frente a VGGT/COLMAP es la opción nicho cuando el setup de cámara es irregular y la calibración pobre. ## Qué hace [R^3](https://github.com/KevinXu02/R3) es la implementación oficial del paper "3D Reconstruction via Relative Regression" (CVPR). Permite reconstruir escenas 3D a partir de imágenes 2D usando regresión relativa de profundidades, más eficiente que métodos SfM tradicionales para certain use cases. ## Instalación ```bash git clone https://github.com/KevinXu02/R3.git cd R3 pip install -r requirements.txt # Descargar pre-trained models bash download_models.sh ``` ## Uso básico ```python from r3 import SceneReconstructor # Reconstruir escena desde imágenes reconstructor = SceneReconstructor( model_path='pretrained/r3.pth', device='cuda' ) # Entrada: lista de imágenes con poses conocidas o estimadas images = ['img1.jpg', 'img2.jpg', 'img3.jpg'] poses = [...] # Camera poses (optional, R^3 puede inferirlas) # Ejecutar reconstrucción result = reconstructor.reconstruct(images, poses) # Guardar result result.save_mesh('output.ply') result.save_depth('depth_map.png') ``` ```bash # CLI r3 reconstruct --images ./scene/ --output output.ply \ --model pretrained/r3.pth --device cuda ``` ## Integración con pipelines 3D ```python # R^3 → Three.js/WebGL para visualización web import trimesh # R^3 output →PLY mesh = trimesh.load('output.ply') # Convertir a glTF para WebGL mesh.export('scene.gltf') # Luego cargar en Three.js con GLTFLoader ``` ## Pitfalls - Requiere GPU CUDA para rendimiento práctico - Los resultados dependen de la calidad y cobertura de las imágenes de entrada - No es un reemplazo completo de SfM tradicional — mejor para escenas con superposición significativa - El modelo pre-entrenado está optimizado para escenas urbanas/exteriores ## Referencias - Paper: "3D Reconstruction via Relative Regression" (CVPR) - Repo: https://github.com/KevinXu02/R3 - Relacionado: `depth-anything-3`, `colmap-view`, `threejs-3d-maps`, `monolith-terrain`