不只有結構光：機器眼中的立體世界 還在發生若干變化

       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。