Eiras-Franco, CarlosCancela, BraisIglesias García, DiegoUniversidade da Coruña. Facultade de Informática2026-10-012026-10-012026-09https://hdl.handle.net/2183/49566[Resumen] La reconstrucción tridimensional a partir de fotografías es un problema central de la visión por computador, y su primera etapa —la detección y descripción de puntos de interés— condiciona la calidad de todo lo que viene después. Durante más de dos décadas, el algoritmo SIFT ha sido el detector y descriptor de referencia para esta tarea. Este Trabajo de Fin de Grado investiga si una técnica de selección dinámica de características, el algoritmo Dynamic Data Selection (DDS), puede sustituir a SIFT en un sistema de reconstrucción basado en Structure-from-Motion (SfM) cuyo producto final es una representación mediante 3D Gaussian Splatting. DDS fue concebido para tareas de reducción de dimensionalidad no supervisada y nunca se había aplicado a reconstrucción 3D. El trabajo aborda el problema en sus dos componentes: el detector (qué puntos de la imagen se seleccionan) y el descriptor (cómo se representa cada punto para emparejarlo entre vistas). La aportación principal es la documentación rigurosa de un proceso iterativo de diseño, diagnóstico y rediseño que identifica una tensión fundamental entre el objetivo de reconstrucción y los requisitos de la detección para SfM, y la resuelve separando la arquitectura en una doble U-Net. El detector resultante distribuye los puntos por la práctica totalidad de la imagen y produce reconstrucciones viables en OpenSfM. Sin embargo, bajo condiciones de emparejamiento equiparadas con la línea base, SIFT-SIFT supera a DDS-SIFT en completitud (29 vs. 27 cámaras), densidad (3.958 vs. 1.141 puntos) y precisión geométrica. Un extenso ciclo de auditoría del entrenamiento corrigió defectos estructurales-entre ellos un error de rango en la entrada que limitaba el aprendizaje desde el principio-y redujo el error de reconstrucción de 0,107 a 0,0079. Este detector final se evaluó en el pipeline completo, donde reconstruye las 29 cámaras. En paralelo, se diseñaron e implementaron tres variantes de un descriptor DDS propio; ninguna alcanzó a SIFT, lo que señala la necesidad de supervisión con correspondencias reales y características dedicadas a la descripción.[Abstract] Three-dimensional reconstruction from photographs is a central problem in computer vision, and its first stage-the detection and description of interest points- conditions the quality of everything that follows. For over two decades, the SIFT algorithm has been the reference detector and descriptor for this task. This Bachelor’s Thesis investigates whether a dynamic feature selection technique, the Dynamic Data Selection (DDS) algorithm, can replace SIFT in a Structure-from-Motion (SfM) based reconstruction system whose final producto is a representation via 3D Gaussian Splatting. DDS was originally conceived for unsupervised dimensionality reduction and had never been applied to 3D reconstruction. The work addresses the problem in its two components: the detector (which image points are selected) and the descriptor (how each point is represented for cross-view matching). The main contribution is the rigorous documentation of an iterative process of design, diagnosis and redesign that identifies a fundamental tension between the reconstruction objective and SfM detection requirements, and resolves it by decoupling the architecture into a dual U-Net. The resulting detector spreads points across nearly the entire image and produces viable reconstructions in OpenSfM. However, under matched matching conditions, SIFT-SIFT outperforms DDS-SIFT in completeness (29 vs. 27 cameras), density (3,958 vs. 1,141 points) and geometric accuracy. An extensive training audit corrected structural defects —including an input range error that had been limiting learning from the start— and reduced the reconstruction error from 0.107 to 0.0079. This final detector was evaluated in the full pipeline, where it reconstructs all 29 cameras. In parallel, three variants of a custom DDS descriptor were designed and implemented; none matched SIFT, pointing to the need for real correspondence supervisión and dedicated description features.spaAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/Selección dinámica de característicasDDSSIFTStructure-from-MotionOpenSfM3D Gaussian SplattingDetector de puntos de interésAprendizaje contrastivoReconstrucción tridimensionalDynamic feature selectionInterest point detectorContrastive learningThree-dimensional reconstructionbachelor thesisopen access