三维重建方法汇总

三维重建是用相机拍摄真实世界的物体、场景，通过计算机视觉技术进行处理，从而得到物体的三维模型。主要涉及技术包括：多视图立体几何、深度图估计、点云处理、网格重建和优化、纹理贴图、马尔可夫随机场、图像分割等。.........

Half_A

17381人浏览 · 2022-07-22 18:00:00

Half_A · 2022-07-22 18:00:00 发布

一、什么是三维重建

三维重建是用相机拍摄真实世界的物体、场景，通过计算机视觉技术进行处理，从而得到物体的三维模型。

主要涉及技术包括：多视图立体几何、深度图估计、点云处理、网格重建和优化、纹理贴图、马尔可夫随机场、图像分割等。

主要应用领域包括：增强现实、混合现实、机器人导航、自动驾驶、工业工件尺寸检测、平整度检测等。

二、传统三维重建方法

2.1 RGBD

基础

深度相机：可以直接获取被测对象三维信息的相机。

深度相机主要分为结构光相机和ToF相机。结构光相机是指通过一个红外投影仪向前方投射光栅或激光散斑，再使用相机拍摄是光栅和光斑的形状尺寸，从而得到物体三维信息。ToF是通过测量发射脉冲与接受之间的时间，从而计算目标距离。

KinectFusion - 2011

论文：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6162880
代码：https://github.com/chrdiller/KinectFusionApp

KinectFusion是第一个使用RGBD相机的三维重建系统，使用的地图是TSDF地图，后续很多实时三维重建系统都是在KinectFusion上扩展的。

实现流程：首先获取RGBD图像，计算点云以及归一化后的法向量；然后通过ICP算法计算当前帧的相机位姿；之后将当前点云融合到TSDF地图中，最后通过TSDF地图以及当前帧的位姿预测处当前帧的深度图像。

TSDF地图是一种网格式的地图，先选定要建模的三维空间，按照一定分辨率，将这个空间分成许多小块，存储每个小块内部的信息。每个TSDF体素内，存储了该小块与最近的物体表面的距离。如果小块在最近物体表面的前方，它就有一个正的值；反之，如果该小块位于表面之后，那么这个值就为负。由于物体表面通常是很薄的一层，所以就把值太大的和太小的都取成1和-1，这就得到了截断之后距离，也就是所谓的TSDF。

BundleFunsion - 2016

论文：https://arxiv.org/abs/1604.01093
代码：https://github.com/niessner/BundleFusion

大致流程：输入的color+depth的数据流首先需要做帧与帧之间的对应关系匹配，然后做全局位姿优化，将整体的漂移校正过来（上图下方所示），整个重建过程中模型是在不断动态更新的。

在匹配方面，这里使用的是一种sparse-then-dense的并行全局优化方法。也就是说，先使用稀疏的SIFT特征点来进行比较粗糙的配准，因为稀疏特征点本身就可以用来做loop closure检测和relocalization。然后使用稠密的几何和光度连续性进行更加细致的配准。

在位姿优化方面。这里使用了一种分层的 local-to-global 的优化方法，如下图所示。总共分为两层，在最低的第一层，每连续10帧组成一个chunk，第一帧作为关键帧，然后对这个chunk内所有帧做一个局部位姿优化。在第二层，只使用所有的chunk的关键帧进行互相关联然后进行全局优化。为什么要分层这么麻烦呢？或者说这样分层有什么好处呢？因为可以剥离出关键帧，减少存储和待处理的数据。并且这种分层优化方法减少了每次优化时的未知量，保证该方法可扩展到大场景而漂移很小。

在稠密场景重建方面。该算法在特征匹配设置了三道筛选策略。第一种是直接对关键点本身分布的一致性和稳定性进行考验。第二道关卡是对特征匹配对跨越的表面面积进行考验，去掉特别小的，因为跨越面积较小的的话很容易产生歧义。第三道关卡是进行稠密的双边几何和光度验证，去掉重投影误差较大的匹配对。

特点：GPU下实时鲁棒跟踪，可以解决漂移现象，去除了实施以来。

2.2 MVS多帧图像重建

基础

MVS是从一系列图像中重建3D模型。

流程：图像采集 - 位姿计算 - 模型重建 - 纹理贴图。其中图像采集可以是视频等序列化图像，也可以是非连续图像。在位姿计算中根据是否为序列化图像，有不同的方法进行位姿计算。

应用：影音娱乐，AR文物，自动驾驶，大型场景三维重建等。

综述：Multi-View Stero: A Tutorial

COLMAP - 2016

论文：https://ieeexplore.ieee.org/document/7780814
代码：https://github.com/colmap/colmap

SFM通常首先进行特征提取/匹配以及后续的几何校验滤出外点，经过上述步骤可以得到所谓的场景图scene graph，该场景图是后续的增量式的基础（提供数据关联等信息）。增量式重建中需要非常仔细地挑选两帧进行重建，在图像进行注册（即定位当前帧在地图中的位姿）之前，需要进行三角化场景点/滤出外点以及BA优化当前的模型。

COLMAP算法的创新点在于

提出了一种多模型几何校验策略：提高了初始化与三角化的鲁棒性；
后续最优帧选择策略：提升位姿结算鲁棒性与精度；
提出鲁棒三角化方法：使得重建的场景结构更加完整；
提出迭代BA，重三角化以及外点滤除策略对重建的完整性与精度都有贡献；
高效BA参数化方法对稠密图像的重建具有帮助；

OpenMVS

代码：https://github.com/cdcseacave/openMVS

OpenMVS的输入是图像和位姿，其中位姿可以是从COLMAP、SLAM等多种方式计算得到。然后进行稠密重建 - 点云融合 - 初始网格重建 - 网格优化 - 纹理贴图。

OpenMVS是目前的三维重建的框架中，复原效果比较好的；而且提供自动化的脚本，使用起来也不是很难，可以在github中下载编译安装。

三、基于深度学习的三维重建

3.1 mesh重建

基于3DMM重建

3DMM（3D Morphable Model）可形变模型：任意一张人脸图像都可以根据如下公式重建

$S_{model} = S^2+\sum^{m-1}_{i=1}\alpha_i S_i, T_{model} = T^2+\sum^{m-1}_{i=1}\beta_i T_i$

拓展网络：Nonlinear 3D Face Morphable Model

学习了一个非线性模型，比传统的线性模型具有更大的表示能力；
弱监督学习：利用大量没有三维扫描的二维图像，共同学习模型和模型拟合算法

拓展网络：2DASL

自监督模型，克服3D标注数据不足问题

拓展网络：PRNet

以端到端的方式解决了人脸对齐和三维人脸的问题，使其一起完成，而且不受低维解空间的限制
运行速度超过100FPS的轻量级框架

IF-Nets

IF-NETS是物体、人体重建网络。该网络可以将稀疏、稠密点云重建为mesh模型。由于数据集的限制（大多数据是CAD模型渲染得到的），真实场景的模型恢复效果一般。

PifuHD

PIFu是人体重建网络。

算法优点

同时支持 single-view 和 multi-view；
高度复杂的形状，如发型、服装，以及它们的变化和变形都可以用统一的方式数字化
重建精度、细节表现比现有的方法更优；
与体素表示不同，内存效率更高，可以处理任意拓扑结构，并且生成的表面与输入图像在空间上对齐

3.1 深度图重建MVSNet

网络结构：输入是任意位姿的多张图像，且多张图片之间的关系需要被整体考虑。

MVSNet本质是借鉴基于两张图片cost volume的双目立体匹配的深度估计方法，扩展到多张图片的深度估计，而基于cost volume的双目立体匹配已经较为成熟，所以MVSNet本质上也是借鉴一个较为成熟的领域，然后提出基于可微分的单应性变换的cost volume用于多视图深度估计。

过程：

（1）输入一张reference image（为主）和几张source images（辅助）；

（2）分别用网络提取出下采样四分之一的32通道的特征图；

（3）采用立体匹配（即双目深度估计）里提出的cost volume的概念，将几张source images的特征利用单应性变换( homography warping)转换到reference image，在转换的过程中，类似极线搜索，引入了深度信息。构建cost volume可以说是MVSNet的关键。

具体costvolume上一个点是所有图片在这个点和深度值上特征的方差，方差越小，说明在该深度上置信度越高。

（4）利用3D卷积操作cost volume，先输出每个深度的概率，然后求深度的加权平均得到预测的深度信息，用L1或smoothL1回归深度信息，是一个回归模型。

（5）利用多张图片之间的重建约束（photometric and geometric consistencies）来选择预测正确的深度信息，重建成三维点云。