作为一个混迹于SfM学术界，SLAM工业界的同学，先来先表明一下观点: 很多回答都不太准确，包括深蓝学院。

前面很多答主提到，SLAM和三维重建比较并不准确，那就假设题主是想和SfM比吧。其实更准确的说是视觉SLAM和SfM。

这两种方法的区别在于面向的任务不同: SLAM主要用于实时应用，比如机器人，我们希望SLAM算法能在机器人行走过程中实时进行建图和定位；而SfM主要用于建图，比如航拍场景，输出的稀疏点云和pose用于之后的MVS。

由于应用的场景和期望的目的不同，自然在算法设计上就会有很大的差异。

首先讲第一个异同。视觉SLAM和SfM都需要先从图像数据中提取需要的interest points(这里不说特征点，因为视觉SLAM包括直接法和特征点法)。对于视觉SLAM，为了保证实时性，interest points的提取需要足够快，同时鲁棒性也不能太差。像SIFT和SURF这类的方法由于过重通常被大多数SLAM应用抛弃，于是有了后来的ORB。而SfM算法更追求精度，速度是第二位，因此偏爱SIFT这类算法。当然，随着深度学习的发展，很多工作在使用深度学习算法来提取特征点。

第二个异同点在于如何在图片对或者相邻帧之间找匹配。以ORB为例，SLAM算法为了实时性，使用的是ORB的二进制描述子计算汉明距离，计算量比较小。使用SIFT的SfM算法则使用得到的特征点的128维描述子: 使用ANN的话，则建立KD-Tree后找近邻点；当然也可以使用cascade hashing算法来加速匹配过程。匹配时，SLAM通常只进行相邻帧或者一个窗口内的连续帧的匹配，需要匹配的图片对很少。而SfM则需要对每一张图片，和它们的k个可能的图片进行匹配: 对于n张图片，如果k=n，那么n很大时计算量相当大；所以一般会使用描述子进行相似性检索，取最相似的前k张图片进行匹配。SLAM和SfM一样，在得到候选匹配之后都会使用RANSAC加上一个几何模型来过滤外点。

第三个异同点在于建图流程。SLAM算法属于增量式，camera的pose或者机器人的状态是随着时间增量式进行计算的。在得到pose和landmark之后，为了实时，通常会marg掉老的状态，而只优化滑动窗口内维护的变量，被marg掉的变量则被当成先验加入约束中。滑窗优化发生在前端线程里。如果SLAM只有前端是不行的，因为随着时间累积误差会进一步累积，最终漂移的越来越多。因此会在后端线程加上回环检测，估计一个变换矩阵(比如单目SLAM是一个7自由度的相似变换，VINS是一个4自由度的变换)，对齐后做全局BA。这样可以让误差进行均摊。对于SfM，由于匹配关系是提前建立好的，因此回环约束其实已经是隐式包含了。但是对于增量式SfM，这样的约束仍然不够。增量式SfM也是一个个的恢复相机pose，代表性的工作有Bundler, COLMAP等。通常来讲，每恢复一个pose会做一次局部BA，当恢复的pose数量占模型的一定比例时，会做全局BA。尽管有全局BA，但随着时间进行，误差仍然是在累积的。因此没有回环检测的增量式SfM是逃脱不了drift这个问题，而SfM里通常不带回环检测。对此，有一些方法尝试通过全局式SfM来解决drift这个问题，代表性工作有1DSfM，LUD等。在做匹配是时，会通过本质矩阵来恢复相对旋转和相对平移。然后首先利用相对旋转来恢复全局旋转，这一步称为“旋转平均”；在有了全局旋转后加上相对平移约束，可以恢复全局平移，这一步则称为“平移平均”。“平均”在于当有了所有相对运动约束后，构建的优化问题等价于将pose的误差均摊在每一个pose上。因此从误差均摊的角度讲，和回环检测是一致的，但是方法完全不同。所以，深蓝学院那个回答里说全局式SfM就是回环检测是不正确的。在有了pose之后，triangulation和最后的全局BA只要一次就行了，速度很快。全局式SfM算法的一个主要缺点在于: 平移平均对外点非常敏感，此外相对平移只包含方向，不包含尺度。尺度的恢复在平移平均问题里很难解好，而且相对平移只有在宽基线的情况下才能估计的比较准。因此全局式SfM现在也不太实用。SLAM里有一类算法和全局式SfM相似，称为“位姿图优化(Pose Graph Optimization)”，这部分可以参考MIT Spark实验室Luca组的工作。当然，SfM算法也有一些其他类型的工作，比如Hierarchical SfM，分布式SfM(这个可以参考我Github上开源的DAGSfM)，可用于求解非常大规模的数据集。

暂时这些了，如果想到更细节的再继续更。