答案是不行。

相机位姿求解（也就是常说的PnP问题）的核心逻辑，是要靠「已知3D空间点 + 对应的2D图像点」来建立投影约束。如果这些点的3D坐标完全未知，我们连最基础的空间参考框架都没有——你看到的只是图像上的一堆2D像素点，没法把它们和真实空间位置绑定，自然推不出相机的旋转（R）和平移（t）参数。哪怕点是非共面的，没有3D坐标的话，这些点的空间约束等于不存在，根本凑不出求解位姿的方程组。

完全可以，这套数据足够支撑我们完成场景重建+新图像位姿求解的流程，具体拆解下：

• 第一步：恢复相机相对位姿
  有了不同视角间的旋转估计值，再加上相机拍摄位置间的欧氏距离（也就是平移向量的模长），结合多视角的2D点匹配关系，我们就能推导出相机之间的完整相对位姿（旋转已知，平移方向可以通过三角化约束算出，模长给定后就能确定平移向量）。
• 第二步：三角化得到3D点坐标
  有了相机的相对位姿，再用这些非共面的点做三角化，就能算出它们的3D坐标——非共面的点刚好能避免重建的歧义问题，保证解的唯一性。另外你提到的缩放估计值，还能帮我们校准重建场景的尺度，让3D点的大小和真实世界对齐。
• 第三步：求解新图像位姿
  当我们手里有了场景的3D点集，新拍摄的图像只要能找到和这些3D点对应的2D匹配点，直接用PnP算法（比如EPnP、UPnP这类鲁棒性强的实现）就能算出相机位姿了。

不过有几个要注意的前提：

• 各视角的2D点匹配得准确，误匹配太多会直接搞砸后续的重建和位姿计算；
• 旋转、缩放、相机间距离的估计误差不能太大，否则重建出的3D点会偏离真实位置，进而影响新图像的位姿精度；
• 点集必须保持非共面，共面场景容易出现位姿解的歧义，非共面的约束才能保证结果可靠。

内容的提问来源于stack exchange，提问作者stackoverflower