不只有結構光：機器眼中的立體世界，還在發生若干變化

要說AI技術里什么最火，機器視覺絕對算一個；而要說機器視覺技術里什么最火，大概毫無爭議就屬3D機器視覺了。

所謂3D機器視覺，是指在一般的機器視覺技術的基礎上，加入對立體空間中三維模型的理解。這項技術不僅涉及AI，而是一門機器視覺、圖形學與數據感知技術的交叉學科。想想也知道，讓機器認識3D畫面是非常有價值的。畢竟人的視覺理解就是3D的，想要讓AI盡量貼近真人的感知方式，3D是必須攻克的難題。

在產業場景上，3D機器視覺是無人駕駛和高精地圖的重要技術條件，在VR/AR上應用也非常廣泛，而無人機航拍與測繪也離不開這門技術。在蘋果把3D結構光技術炒火了之后，手機中的3D機器視覺也已經成為兵家必爭之地——假如說，這些厲害的技術都是賽車，那么3D機器視覺就是他們在路上都會遇到的收費站……

今天在機器視覺頂會中，差不多會有半壁江山那么多的論文都是跟3D有關。前沿探索可謂瘋狂進行。然而重點來了，關于這一領域，似乎大部分吃瓜群眾還是只知道一個結構光而已。

有哪些三維圖像+機器視覺的新技術趨勢，今天正隱藏在未知迷霧中眺望這個世界？今天我們來說幾種很有科幻感的技術突破點。說不定這些能力明年就會出現在你的手機、VR設備和無人機中，又或許即將成為某個被資本瘋狂親吻的創業熱潮。

超大場景的3D數據感知

3D機器視覺包括很多方面，既有讓智能體去理解3D數據，也包括如何通過機器視覺的解決方案，去獲取3D模型數據。

傳統意義上的3D數據獲取，或者稱其為3D感知技術，一般來說可以利用多角度拍照或者深度傳感器的方式實現3D數據收集。這種技術的局限在于，收集的3D數據不能太大。

然而在3D資料要求不斷升級的今天，對于超大場景的3D數據感知，正在成為一個熱門議題。比如無人駕駛中使用的城市高精地圖，就可以看做一個個超大3D場景的拼接。智能城市領域運用到的很多城市數據推演，也要根植于對城市3D場景的收集。

機器視覺正在為超大場景的3D數據感知提供很多新的方法。比如自動化的成像方法，像視覺SLAM在線處理連續幀的圖像，實現實時重建巨大3D場景。再比如說對航拍數據進行點云分割和點云數據的語義理解，幫助快速低成本獲取城市3D數據。

總體來看，今天超大場景的3D數據感知，有三個主要應用方向，很可能分別成為各自技術領域中新的投資和創業熱點：

1、建筑物的3D高精度模型，運用在工程監理、智能設計、物流和智能城市領域。

2、高精地圖與3D數據感知的結合，這是無人駕駛的重要一環。

3、室內外一體的3D建模，這對于智能家居設計、環境監控、VR/AR體驗來說都有重要幫助。

手機與3D視覺進入蜜月期

3D結構光，今天已經當之無愧成為了高端手機的標配，成為了繼雙攝、三攝與屏下指紋之后又一個手機行業爭搶的熱點。

然而手機上的3D視覺技術遠不止于結構光，從算法、傳感硬件，到影像系統解決方案，都可能成為手機與3D視覺進一步耦合的關鍵因素。

今天來看，有3個相關趨勢非常可能成為明年的熱點。一個是基于芯片端進行的3D視覺算法加速，這很可能成為手機AI的下一個進化方向。第二個是高糾錯能力的3D視覺算法將會普及，在終端實現3D數據收集和本地建模將會成為新的熱點。第三個是后置攝像頭加入3D視覺解決方案指日可待。

從芯片端，到開發平臺，再到數據集、傳感系統，3D機器視覺正在多個領域影響手機戰場的走向，在這些領域儲備技術武器，也很可能成為明年手機戰場廝殺的關鍵節點。

AR/VR中的位姿估計技術

為什么我們在玩AR體驗的時候，經常會覺得手機里的東西放在攝像頭視野中并不真實，像是漂浮在地板上一樣。

這就是因為位姿估計算法不夠精準，無法正確定位物體的空間關系。在機器視覺技術的進化下，今天很多位姿估計技術正在同步進化。比如基于動態特征提取算法，達成的動作定位今天已經比較成熟。

這東西聽起來挺玄乎，到底是干啥用的呢？它的最大應用場景，就是在VR/AR正確處理場景中動態物體的空間關系和運動軌跡。比如你在VR里玩踢球游戲，球應該在什么位置挨踢，以什么軌跡撞墻，都有賴于位姿估計算法來校準。

在機器視覺算法的幫助下，更精細的位姿估計正在到來，而這也加速了成熟MR體驗的到來。另一方面，在VR設備或者手機當中，基于攝像頭與傳感器協同運作來完成位姿估計，也是沉浸技術中即將發生的一個亮點。

通過散亂數據達成三維建模

3D機器視覺的最重要任何，肯定是基于數據來實現3D建模。這個應用在產業端十分重要，地理信息系統、勘探、工程，以及無人駕駛，都需要大量的3D建模工作來參與。

而消費者級的3D建模今天也在到來，我們已經可以看到在手機端通過3D結構光來完成數據收集，從而達成3D建模的玩法。

跟3D感知一樣，3D建模也是利用攝像頭或者傳感器來收集數據，最終通過不同的解決方案完成建模。

然而這個領域還是有很多問題等待解決。比如說，今天我們進行3D建模時，還需要非常痛苦的一點點收集數據，必須保證數據的對齊和精準排列。否則出來的3D模型就是雜亂無章的。這顯然讓大眾完3D建模的熱情減退，并且給很多工程級項目增添了非常多難度。

AI的到來，正在幫助這種情況有所改變。在深度學習算法的幫助下，機器視覺領域正在研究如何在散亂、不規則、巨大數量的數據中完成3D建模。這需要對抗生成以及先驗表示等非常多的方案，但帶來的效果非常值得期待。

比如說今天已經有3D建模方案，在深度學習的幫助下實現對密林的重建。然而其用來進行點云建模的圖像數據中，有很多被樹葉遮擋的部分。這時候就可以用AI來增強3D建模的先驗知識，主動“腦補”出遮擋物背后的真實樣子。

不僅是修復遮擋模型和瑕疵數據，機器視覺技術與3D建模的融合，還可以讓很多無人設備具有更雪亮的“眼睛”。比如無人駕駛汽車，或許可以基于“大腦”中的3D建模算法，來腦補智能攝像頭尚未發現的環境。這點在復雜立交橋和停車場中格外有用。

在消費者端，3D建模與機器視覺的結合也將帶來新的想象力，比如消費者可以根據照片來重建精準的3D模型，或者傻瓜式完成建模要用的數據收集。讓不那么專業的人也能建設出專業的3D模型，這個改變背后的想象力驚人。

更好的深度傳感器解決方案

還有一個機器視覺技術和3D的交匯，主要發生在無人機領域。

無人機今天進行測繪和航拍時，必須附帶對空間的理解能力，否則拍照不準事小，撞了南墻事大。而這個能力主要來自于攝像頭和傳感器進行空間閱讀。

隨著消費級無人機的不斷升級，人們對無人機拍攝效果要求也不斷升高。無人機必須不斷在更遠的距離、更極端的天氣、更復雜的運動中拍攝畫面。然而傳統的傳感系統解決方案已經快要跟不上用戶的期許。

今天的消費級無人機，一般采取兩種感知解決方案，一種是雙目視覺技術，比如大疆的某些產品；一種是結構光傳感器，比如微軟的Kinect。而這兩種主流方案都是有一定局限的，比如感知范圍都有限，難以完成遠距離作業。再比如雙目視覺技術在黑夜中會失靈，所以無人機夜拍一直是個大坑，然而結構光技術應對不來強光，一到中午無人機就石樂志也是很心塞的。

更好的解決方案，在于將傳感器與智能攝像頭結合起來，達成可以適應不同天候與天氣，并且可以長距離感知的新型傳感系統解決方案。

今天，用機器視覺技術中的很多算法，協調不同的傳感設備工作，讓無人機變成“多眼無人機”，正在成為流行的解決方案。機器視覺算法大量加入無人機傳感器，還可能帶來軌跡拍攝能力提升，讓無人機獲得拍攝整體環境，或者精準捕捉動態物體，比如說運動中的動物和車輛的能力。

以上幾個技術趨勢，都可能成為機器視覺和圖形學應用的下一步熱點。這個領域看似偏門，事實上卻能影響今天科技市場中的風吹草動。

讓機器看到立體世界的游戲才剛剛開始，機器與人類在某一天可以用同樣的視角相互凝視，或許才是這個故事的終點。