Dans le domaine de la vision par ordinateur, la reconstruction de scènes et l'estimation des positions des caméras sont essentielles pour des applications telles que la réalité virtuelle, la numérisation d'objets et la réalité augmentée. Cette thèse aborde deux défis principaux : le positionnement précis des caméras et la reconstruction dynamique des scènes. Un placement précis des caméras est crucial pour garantir la fidélité des modèles 3D, notamment dans des applications comme la surveillance sous-marine, où les conditions environnementales peuvent affecter la qualité des images. La première partie de cette thèse se concentre sur l'évaluation des techniques de photogrammétrie utilisant des modèles d'intelligence artificielle dans des environnements difficiles. Ces techniques sont indispensables pour estimer les positions des caméras dans des conditions telles que la faible luminosité, les intempéries et les textures complexes. En intégrant des modèles avancés d'IA, nous visons à améliorer la précision et la fiabilité de la photogrammétrie. La deuxième partie propose une méthodologie pour évaluer différentes techniques de reconstruction de scènes dynamiques avec des configurations synthétiques. Les avancées récentes, comme les champs de radiances neuronaux et le Gaussien Splatting en 3D, montrent des améliorations pour gérer les variations spatiales et temporelles. Cependant, ces méthodes font face à des défis majeurs dans des contextes dynamiques, nécessitant des algorithmes robustes capables de s'adapter en temps réel. Nos contributions incluent un cadre d'évaluation complet pour comparer différentes méthodes de photogrammétrie et de reconstruction de scènes dynamiques. Ce cadre permet une évaluation systématique des forces et des faiblesses de chaque méthode, fournissant des informations précieuses pour des avancées futures. Cette thèse est structurée en trois chapitres : le premier introduit les concepts fondamentaux de la vision par ordinateur liés à la reconstruction de scènes, le deuxième évalue les techniques de photogrammétrie dans des environnements difficiles, et le troisième présente un pipeline pour évaluer les techniques de reconstruction de scènes dynamiques. Ces contributions visent à offrir un cadre d'évaluation pour mieux comprendre les limitations actuelles et les améliorations potentielles dans ces domaines critiques.