作者?| 張俊怡

三維重建意義

三維重建作為環(huán)境感知的關(guān)鍵技術(shù)之一，可用于自動駕駛、虛擬現(xiàn)實(shí)、運(yùn)動目標(biāo)監(jiān)測、行為分析、安防監(jiān)控和重點(diǎn)人群監(jiān)護(hù)等。現(xiàn)在每個人都在研究識別，但識別只是計算機(jī)視覺的一部分。真正意義上的計算機(jī)視覺要超越識別，感知三維環(huán)境。我們活在三維空間里，要做到交互和感知，就必須將世界恢復(fù)到三維。所以，在識別的基礎(chǔ)上，計算機(jī)視覺下一步必須走向三維重建。本文筆者將帶大家初步了解三維重建的相關(guān)內(nèi)容以及算法。

三維重建定義

在計算機(jī)視覺中, 三維重建是指根據(jù)單視圖或者多視圖的圖像重建三維信息的過程. 由于單視頻的信息不完全,因此三維重建需要利用經(jīng)驗(yàn)知識. 而多視圖的三維重建(類似人的雙目定位)相對比較容易, 其方法是先對攝像機(jī)進(jìn)行標(biāo)定, 即計算出攝像機(jī)的圖象坐標(biāo)系與世界坐標(biāo)系的關(guān)系.然后利用多個二維圖象中的信息重建出三維信息。

常見的三維重建表達(dá)方式

常規(guī)的3D shape representation有以下四種：深度圖（depth）、點(diǎn)云（point cloud）、體素（voxel）、網(wǎng)格（mesh）。

深度圖其每個像素值代表的是物體到相機(jī)xy平面的距離，單位為 mm。

體素是三維空間中的一個有大小的點(diǎn)，一個小方塊，相當(dāng)于是三維空間種的像素。

點(diǎn)云是某個坐標(biāo)系下的點(diǎn)的數(shù)據(jù)集。點(diǎn)包含了豐富的信息，包括三維坐標(biāo)X，Y，Z、顏色、分類值、強(qiáng)度值、時間等等。在我看來點(diǎn)云可以將現(xiàn)實(shí)世界原子化，通過高精度的點(diǎn)云數(shù)據(jù)可以還原現(xiàn)實(shí)世界。萬物皆點(diǎn)云，獲取方式可通過三維激光掃描等。

△三角網(wǎng)格、用三角網(wǎng)格重建

三角網(wǎng)格就是全部由三角形組成的多邊形網(wǎng)格。多邊形和三角網(wǎng)格在圖形學(xué)和建模中廣泛使用，用來模擬復(fù)雜物體的表面，如建筑、車輛、人體，當(dāng)然還有茶壺等。任意多邊形網(wǎng)格都能轉(zhuǎn)換成三角網(wǎng)格。

三角網(wǎng)格需要存儲三類信息：

頂點(diǎn)：每個三角形都有三個頂點(diǎn)，各頂點(diǎn)都有可能和其他三角形共享。.

邊：連接兩個頂點(diǎn)的邊，每個三角形有三條邊。

面：每個三角形對應(yīng)一個面，我們可以用頂點(diǎn)或邊列表表示面。

三維重建的分類

根據(jù)采集設(shè)備是否主動發(fā)射測量信號，分為兩類：基于主動視覺理論和基于被動視覺的三維重建方法。

主動視覺三維重建方法：主要包括結(jié)構(gòu)光法和激光掃描法。

被動視覺三維重建方法：被動視覺只使用攝像機(jī)采集三維場景得到其投影的二維圖像，根據(jù)圖像的紋理分布等信息恢復(fù)深度信息，進(jìn)而實(shí)現(xiàn)三維重建。

其中，雙目視覺和多目視覺理論上可精確恢復(fù)深度信息，但實(shí)際中，受拍攝條件的影響，精度無法得到保證。單目視覺只使用單一攝像機(jī)作為采集設(shè)備，具有低成本、易部署等優(yōu)點(diǎn)，但其存在固有的問題：單張圖像可能對應(yīng)無數(shù)真實(shí)物理世界場景（病態(tài)），故使用單目視覺方法從圖像中估計深度進(jìn)而實(shí)現(xiàn)三維重建的難度較大。

近幾年代表性論文回顧

-從單張圖像恢復(fù)深度圖

△Depth, NIPS 2014, Cited by 1011

這篇論文思路很簡單，算是用深度學(xué)習(xí)做深度圖估計的開山之作，網(wǎng)絡(luò)分為全局粗估計和局部精估計，對深度由粗到精的估計，并且提出了一個尺度不變的損失函數(shù)。

△主體網(wǎng)絡(luò)

△Scale-invariant Mean Squared Error

本文總結(jié)

（1）提出了一個包含分為全局粗估計和局部精估計，可以由粗到精估計的網(wǎng)絡(luò)。

（2）提出了一個尺度不變的損失函數(shù)。

-用體素來做單視圖或多視圖的三維重建

△Voxel, ECCV 2016, Cited by 342

這篇文章挺有意思，結(jié)合了LSTM來做，如果輸入只有一張圖像，則輸入一張，輸出也一個結(jié)果。如果是多視圖的，則將多視圖看作一個序列，輸入到LSTM當(dāng)中，輸出多個結(jié)果。

△Framework

如主框架所示，這篇文章采用深度學(xué)習(xí)從2D圖像到其對應(yīng)的3D voxel模型的映射:?

首先利用一個標(biāo)準(zhǔn)的CNN結(jié)構(gòu)對原始input image 進(jìn)行編碼；再利用一個標(biāo)準(zhǔn) Deconvolution network 對其解碼。中間用LSTM進(jìn)行過渡連接, LSTM 單元排列成3D網(wǎng)格結(jié)構(gòu), 每個單元接收一個feature vector from Encoder and Hidden states of neighbors by convolution，并將他們輸送到Decoder中. 這樣每個LSTM單元重構(gòu)output voxel的一部分。?

總之，通過這樣的Encoder-3DLSTM-Decoder?的網(wǎng)絡(luò)結(jié)構(gòu)就建立了2D images -to -3D voxel model?的映射。

△3D LSTM 和 3D GRU

損失函數(shù)采用的是二分類的交叉熵?fù)p失，類似于在三維空間做分割，類別是兩類，分別是占有或者不占有。

△損失函數(shù)

除了交叉熵loss可以用作評價指標(biāo)，還可以把預(yù)測結(jié)果跟標(biāo)簽的IoU作為評價指標(biāo)，如下圖所示：

△IoU可作為評價指標(biāo)

△Single Real-World Image Reconstruction

△Reconstructing From Different Views.

本文總結(jié)

（1）采用深度學(xué)習(xí)從2D圖像到其對應(yīng)的3D voxel模型的映射，模型設(shè)計為Encoder+3D LSTM + Decoder。

（2）既適用單視圖，也適用多視圖。

（3）以體素的表現(xiàn)形式做的三維重建。

（4）缺點(diǎn)是需要權(quán)衡體素分辨率大?。ㄓ嬎愫臅r）和精度大小。

-用點(diǎn)云來做單張RGB圖像的三維重建

△Point Cloud, CVPR 2017, Cited by 274

大多數(shù)現(xiàn)存的工作都在使用深度網(wǎng)絡(luò)進(jìn)行3D 數(shù)據(jù)采用體積網(wǎng)格或圖像集合（幾何體的2D視圖）。然而，這種表示導(dǎo)致采樣分辨率和凈效率之間的折衷。在這篇論文中，作者利用深度網(wǎng)絡(luò)通過單張圖像直接生成點(diǎn)云，解決了基于單個圖片對象生成3D幾何的問題。

點(diǎn)云是一種簡單，統(tǒng)一的結(jié)構(gòu)，更容易學(xué)習(xí)，點(diǎn)云可以在幾何變換和變形時更容易操作，因?yàn)檫B接性不需要更新。該網(wǎng)絡(luò)可以由輸入圖像確定的視角推斷的3D物體中實(shí)際包含點(diǎn)的位置。

模型最終的目標(biāo)是：給定一張單個的圖片（RGB或RGB-D），重構(gòu)出完整的3D形狀，并將這個輸出通過一種無序的表示——點(diǎn)云（Point cloud）來實(shí)現(xiàn)。點(diǎn)云中點(diǎn)的個數(shù)，文中設(shè)置為1024，作者認(rèn)為這個個數(shù)已經(jīng)足夠表現(xiàn)大部分的幾何形狀。

△主框架

鑒于這種非正統(tǒng)的網(wǎng)絡(luò)輸出，作者面臨的挑戰(zhàn)之一是如何在訓(xùn)練期間構(gòu)造損失函數(shù)。因?yàn)橄嗤膸缀涡螤羁赡茉谙嗤慕瞥潭壬峡梢杂貌煌狞c(diǎn)云來表示，因此與通常的L2型損失不同。

本文使用的 loss

△倒角距離

△搬土距離

對于解決2D圖片重構(gòu)后可能的形狀有很多種這個問題，作者構(gòu)造了一個 Min-of-N loss (MoN) 損失函數(shù)。

Min-of-N loss 的意思是，網(wǎng)絡(luò)G通過n個不同的r擾動項(xiàng)進(jìn)行n次預(yù)測，作者認(rèn)為從直覺上來看，我們會相信n次中會至少有一次預(yù)測會非常接近真正的答案，因此可以認(rèn)為這n次預(yù)測與真正的答案的距離的最小值應(yīng)該要最小。

△實(shí)驗(yàn)可視化結(jié)果

△實(shí)驗(yàn)數(shù)值結(jié)果

本文總結(jié)

該文章的貢獻(xiàn)可歸納如下：

（1）開創(chuàng)了點(diǎn)云生成的先例（單圖像3D重建）。

（2）系統(tǒng)地探討了體系結(jié)構(gòu)中的問題點(diǎn)生成網(wǎng)絡(luò)的損失函數(shù)設(shè)計。

（3）提出了一種基于單圖像任務(wù)的三維重建的原理及公式和解決方案。

總體來說，該篇文章開創(chuàng)了單個2D視角用點(diǎn)云重構(gòu)3D物體的先河，是一篇值得一看的文章。

-先中場休息一下，簡單先分析一下：

根據(jù)各種不同的表示方法我們可以知道volume受到分辨率和表達(dá)能力的限制，會缺乏很多細(xì)節(jié)；point cloud 的點(diǎn)之間沒有連接關(guān)系，會缺乏物體的表面信息。相比較而言mesh的表示方法具有輕量、形狀細(xì)節(jié)豐富的特點(diǎn)。

△不同表現(xiàn)形式的對比

Mesh:?我不是針對誰，我是想說在座的各位都是垃圾（depth、volume、point cloud）

由于后邊的內(nèi)容使用了圖卷積神經(jīng)網(wǎng)絡(luò)（GCN），這里簡要介紹一下：

f(p,l), f(p,l+1)分別表示頂點(diǎn)p在卷積操作前后的特征向量；

N(p)指頂點(diǎn)p的鄰居節(jié)點(diǎn)；

W1,W2表示待學(xué)習(xí)的參數(shù)；

-用三角網(wǎng)格來做單張RGB圖像的三維重建

△Mesh, ECCV 2018, cited by 58

這篇文章提出的方法不需要借助點(diǎn)云、深度或者其他更加信息豐富的數(shù)據(jù)，而是直接從單張彩色圖片直接得到 3D mesh。

△主框架

1、給定一張輸入圖像：Input image

2、為任意的輸入圖像都初始化一個橢球體作為其初始三維形狀：Ellipsoid Mesh

整個網(wǎng)絡(luò)可以大概分成上下兩個部分：

（1）上面部分負(fù)責(zé)用全卷積神經(jīng)網(wǎng)絡(luò)提取輸入圖像的特征；

（2）下面部分負(fù)責(zé)用圖卷積神經(jīng)網(wǎng)絡(luò)來表示三維mesh，并對三維mesh不斷進(jìn)行形變，目標(biāo)是得到最終的輸出（最后邊的飛機(jī)）。

△主框架中的部分內(nèi)容詳細(xì)的解釋

1、C表示三維頂點(diǎn)坐標(biāo)，P表示圖像特征，F(xiàn)表示三維頂點(diǎn)特征；

2、perceptual feature pooling層負(fù)責(zé)根據(jù)三維頂點(diǎn)坐標(biāo)C(i-1)去圖像特征P中提取對應(yīng)的信息；

3、以上提取到的各個頂點(diǎn)特征再與上一時刻的頂點(diǎn)特征F(i-1)做融合，作為G-ResNet的輸入；

4、G-ResNet(graph-based ResNet)產(chǎn)生的輸出又做為mesh deformable block的輸出，得到新的三維坐標(biāo)C(i)和三維頂點(diǎn)特征F(i)。

除了剛剛提到的mesh deformation，下面這部分還有一個很關(guān)鍵的組成是graph uppooling。文章提出這個圖上采樣層是為了讓圖節(jié)點(diǎn)依次增加，從圖中可以直接看到節(jié)點(diǎn)數(shù)是由156-->628-->2466變換的，這其實(shí)就是coarse-to-fine的體現(xiàn)，如下圖：

這篇文章定義了四種loss來約束網(wǎng)格更好的形變：

△loss

本文的實(shí)驗(yàn)結(jié)果

本文總結(jié)

該文章的貢獻(xiàn)可歸納如下：

（1）文章實(shí)現(xiàn)用端到端的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了從單張彩色圖直接生成用mesh表示的物體三維信息；

（2）文章采用圖卷積神經(jīng)網(wǎng)絡(luò)來表示3D mesh信息，利用從輸入圖像提到的特征逐漸對橢圓盡心變形從而產(chǎn)生正確的幾何形狀；

（3）為了讓整個形變的過程更加穩(wěn)定，文章還采用coarse-to-fine從粗粒度到細(xì)粒度的方式；

（4）文章為生成的mesh設(shè)計了幾種不同的損失函數(shù)來讓整個模型生成的效果更加好；

文章的核心思路就是給用一個橢球作為任意物體的初始形狀，然后逐漸將這個形狀變成目標(biāo)物體。

接下來介紹2019年的相關(guān)研究

由于相關(guān)內(nèi)容涉及到mask-rcnn，先回顧一下：

mask-rcnn是對 faster rcnn 的擴(kuò)展或者說是改進(jìn)，其增加了一個用于分割的分支，并且將RoIpooling 改成了 RoIAlign。

△mask rcnn

Mask RCNN可以看做是一個通用實(shí)例分割架構(gòu);。

Mask RCNN以Faster RCNN原型，增加了一個分支用于分割任務(wù)。

Mask RCNN比Faster RCNN速度慢一些，達(dá)到了5fps。

可用于人的姿態(tài)估計等其他任務(wù)；

-首先介紹一篇2019年做三維重建的文章

——Mesh R-CNN

這篇文章使用的正是mask rcnn 的框架，本篇文章提出了一種基于現(xiàn)實(shí)圖片的物體檢測系統(tǒng)，同時為每個檢測物體生成三角網(wǎng)格給出完整三維形狀。文中的系統(tǒng)mesh-rcnn是基于mask-rcnn的增強(qiáng)網(wǎng)絡(luò)，添加了一個網(wǎng)格預(yù)測分支，通過先預(yù)測轉(zhuǎn)化為物體的粗體素分布并轉(zhuǎn)化為三角形網(wǎng)格表示，然后通過一系列的圖卷積神經(jīng)網(wǎng)絡(luò)改進(jìn)網(wǎng)格的邊角輸出具有不同拓?fù)浣Y(jié)構(gòu)的網(wǎng)格。

△基本的pipeline

模型目標(biāo)：輸入一個圖像，檢測圖像中的所有對象，并輸出所有對象的類別標(biāo)簽，邊界框、分割掩碼以及三維三角形網(wǎng)格。

模型主框架基于mask-rcnn，使用一個額外的網(wǎng)格預(yù)測器來獲得三維形狀，其中包括體素預(yù)測分支和網(wǎng)格細(xì)化分支。先由體素預(yù)測分支通過預(yù)選框?qū)?yīng)的RoIAlign預(yù)測物體的粗體素分布，并將粗體素轉(zhuǎn)化為初始的三角形網(wǎng)格，然后網(wǎng)格細(xì)化分支使用作用在網(wǎng)格頂點(diǎn)上的圖卷積層調(diào)整這個初始網(wǎng)格的定點(diǎn)位置?？偪蚣軋D如下所示：

△總框架圖

△分支細(xì)節(jié)

1、Box/Mask 分支：?和mask-rcnn中的兩個分支一樣。

2、體素預(yù)測分支：類似于mask-rcnn中的mask分支，輸入是RoIAlign，將預(yù)選框假設(shè)位于一個分割成 G*G*G個粗體素的空間，然后預(yù)測分割出來的粗體素占用率。使用一個小的全卷積網(wǎng)絡(luò)來保持輸入特征和體素占用預(yù)測概率之間的對應(yīng)關(guān)系。最后輸出用G個通道生成G*G的特征圖，為每個位置提供一列體素占用率分?jǐn)?shù)。

3、體素占用轉(zhuǎn)化為網(wǎng)格表示：將體素占用概率轉(zhuǎn)化為二值化體素占用之后，將每個被占用的體素被替換為具有8個頂點(diǎn)、18個邊和12個面的立方體三角形網(wǎng)格（如上圖Cubify所示），然后合并相鄰占用體元之間的共享頂點(diǎn)和邊，消除共享內(nèi)面就可以形成了一個拓?fù)浣Y(jié)構(gòu)依賴于體素預(yù)測的密集網(wǎng)格了。

網(wǎng)格細(xì)化分支

網(wǎng)格細(xì)化分支將初始的網(wǎng)格結(jié)構(gòu)經(jīng)過一系列精化階段（在文中作者使用了三個階段）來細(xì)化里面的頂點(diǎn)位置。每個精化階段都是輸入一個三角形網(wǎng)格)，然后經(jīng)過三個步驟獲得更精細(xì)的網(wǎng)格結(jié)構(gòu)：頂點(diǎn)對齊（獲得頂點(diǎn)位置對應(yīng)的圖像特征）；圖卷積（沿著網(wǎng)格邊緣傳播信息）；頂點(diǎn)細(xì)化（更新頂點(diǎn)位置）。網(wǎng)絡(luò)的每一層都為網(wǎng)格的每個頂點(diǎn)維護(hù)一個三維坐標(biāo)以及特征向量。

△網(wǎng)格細(xì)化分支

1、頂點(diǎn)對齊：利用攝像機(jī)的內(nèi)在矩陣將每個頂點(diǎn)的三維坐標(biāo)投影到圖像平面上。

根據(jù)獲取的RoIAlign，在每個投影的頂點(diǎn)位置上計算一個雙線性插值圖像特征來作為對應(yīng)頂點(diǎn)的圖像特征。

2、圖卷積：圖卷積用于沿著網(wǎng)格邊緣傳播頂點(diǎn)信息，公式定義如下：

其中N(i)表示頂點(diǎn)i的鄰點(diǎn)集合，使用多個圖卷積層在局部網(wǎng)格區(qū)域上聚合信息。

3、頂點(diǎn)精化：使用2中更新后的頂點(diǎn)特征使用下面公式來更新頂點(diǎn)位置：

只更改頂點(diǎn)位置，不更改三角形平面。

模型損失函數(shù)

網(wǎng)格細(xì)化損失（從三個方面定義了三個損失函數(shù)）

論文實(shí)驗(yàn)

論文在兩個數(shù)據(jù)集上驗(yàn)證模型：在ShapeNet數(shù)據(jù)集上對網(wǎng)格預(yù)測器進(jìn)行了基準(zhǔn)測試與最先進(jìn)的方法進(jìn)行比較并且對模型中的各個模塊進(jìn)行單獨(dú)分析；在Pix3D數(shù)據(jù)集上測試完整Mesh R-Cnn模型在復(fù)雜背景下的物體三維網(wǎng)格預(yù)測結(jié)果。

在ShapeNet數(shù)據(jù)集：Mesh R-Cnn與其他的模型比較結(jié)果如圖下：

其中Ours(Best)表示去掉形狀正則化損失后的結(jié)果，在后面的實(shí)驗(yàn)中可以發(fā)現(xiàn)，去掉形狀正則化損失后盡管在標(biāo)準(zhǔn)度量上有好的表現(xiàn)，但是在視覺層面上生成的網(wǎng)格并不如加上后的結(jié)果（Ours(Pretty)）。

表格中比較了模型的完整版本以及不同去除模塊版本的表現(xiàn)：

其中Full Test Set表示在完整測試集上的表現(xiàn)；

Holes Test Set表示在打孔對象測試集中的表現(xiàn)；

Voxel-Only表示不適用網(wǎng)格細(xì)化分支；

Best和Perry分別表示不使用形狀正則化損失和使用形狀正則化損失；

Ours(light)表示在網(wǎng)格細(xì)化分支中使用較輕量的非殘差架構(gòu)。

盡管不使用邊長正則化器的訓(xùn)練結(jié)果在標(biāo)準(zhǔn)度量中有更好的表現(xiàn)，但是會產(chǎn)生退化的預(yù)測網(wǎng)格，會導(dǎo)致輸出的網(wǎng)格出現(xiàn)許多重疊的面。

對比Pixel2Mesh模型，Pixel2Mesh模型的輸出結(jié)果是從一個標(biāo)準(zhǔn)橢圓變形得到的，不能正確地建模有孔的物體。相反，Mesh R-Cnn可以對任意拓?fù)浣Y(jié)構(gòu)的物體進(jìn)行建模。

Pix3D數(shù)據(jù)集

可視化結(jié)果

本文總結(jié)

該文章的貢獻(xiàn)可歸納如下：

（1）借鑒mask rcnn 框架；

（2）由粗到細(xì)調(diào)整的思想；

（3）使用圖卷積神經(jīng)網(wǎng)絡(luò)；

（4）使用多種損失來約束訓(xùn)練；

-最后介紹一篇論文，也是CVPR 2019的文章

△CVPR 2019, cited by 0

這篇文章同樣是既可以對單視圖，也可以對多視圖進(jìn)行重建，只不過這篇文章的重點(diǎn)不在這，而在于它可以對不可見部分（不確定性）進(jìn)行建模。

基本思想就是，每個輸入圖像都可以預(yù)測出多個重建結(jié)果，然后取交集就是最終結(jié)果。

下圖是主框架，左邊是訓(xùn)練階段，右邊是測試階段。

△主框架

左邊訓(xùn)練階段的意思是，輸入一張圖像 I，對其加入多個噪聲(r)，生成多個重建結(jié)果(S)（類似于條件生成模型）。對改模型的訓(xùn)練要加約束，這里提出了front constraint和diversity constraint。

右邊是測試階段，提出了一個一致性損失（consistency loss）來進(jìn)行在線優(yōu)化。

Distance Metric:

△度量距離（這篇文章是基于點(diǎn)云做的，所以需要用度量距離衡量兩個點(diǎn)云集的距離）

Diversity Constraint: 目的是讓條件生成器生成的重建結(jié)果更具有多樣性。

△Diversity Constraint:

Front Constraint:?對圖像前邊部分（部分點(diǎn)）有監(jiān)督訓(xùn)練，所以這里有一個采樣過程，具體內(nèi)容如

下圖所示：

△Front Constraint、對Front Constraint采樣部分解釋

對于條件生成器生成的結(jié)果，用一個判別器去判斷這個形狀是否合理，公式如下：

Latent Space Discriminator（判別器是直接從WGAN-GP中拿來的）

△判別器

訓(xùn)練總的損失：

Inference (consistency constraint):

公式中Si 和 Sj 代表兩個點(diǎn)云集合。

△consistency constraint

條件生成器的結(jié)構(gòu)：

△簡約版本

△詳細(xì)版本

實(shí)驗(yàn)結(jié)果：

?

本文總結(jié)

該文章的貢獻(xiàn)可歸納如下：

（1）提出對不可見部分的不確定性進(jìn)行建模；

（2）使用了條件生成模型；

（3）提出了三種約束；

編輯：黃飛

?