今天分享的是：深度學(xué)習(xí)領(lǐng)域基于圖像的三維物體重建最新方法及未來趨勢(shì)綜述。原文：Image-based 3D Object Reconstruction: State-of-the-Art and Trends in the Deep Learning Era 論文下載：https://arxiv.org/abs/1906.06543 摘要：三維重建是計(jì)算機(jī)視覺計(jì)算機(jī)圖形學(xué)和機(jī)器學(xué)習(xí)等領(lǐng)域幾十年來一個(gè)不適定問題。從2015年開始使用CNN解決基于圖像的三維重建（image-based 3D reconstruction）有了極大的關(guān)注并且展示出強(qiáng)大的性能。在新時(shí)代的快速發(fā)展下，我們提供了這一領(lǐng)域詳細(xì)的調(diào)研。本文章專注于從RGB圖像估計(jì)三維物體形狀的深度學(xué)習(xí)方法。除此之外我們還回顧了關(guān)于特定物體（如人臉）的近期研究。我們一些重要論文性能的分析和比較，總結(jié)這一領(lǐng)域的現(xiàn)有問題并討論未來研究的方向。

本文是深度學(xué)習(xí)做三維重建的一篇綜述

對(duì)自2015年以來本領(lǐng)域的149個(gè)方法做詳盡的回顧

深入分析深度學(xué)習(xí)三維重建的各個(gè)方面，包括訓(xùn)練集，網(wǎng)絡(luò)架構(gòu)選擇以及重建結(jié)果，訓(xùn)練技巧和應(yīng)用場(chǎng)景

總結(jié)對(duì)比了普遍的三維重建算法（88種），本文還包含了三維人臉重建算法（11種），人體形狀重建算法（6種方法）

問題陳述和分類

假設(shè)?為物體的一張或多張RGB圖片。三維重建可以總結(jié)為一個(gè)學(xué)習(xí)預(yù)測(cè)算子的過程，輸入圖像到該算子可得到一個(gè)和物體相似的模型。因此重建的目標(biāo)函數(shù)為,其中為算子的參數(shù)，為重建結(jié)果和目標(biāo)的距離函數(shù)，也稱作深度學(xué)習(xí)中的損失函數(shù)。

如上表所示，本文依據(jù)輸入數(shù)據(jù)（Input），輸出的表示（Output），神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（Network architecture）和訓(xùn)練步驟（Training）對(duì)算法進(jìn)行了分類。輸入可以是單張圖片，多張圖片（已知／未知外參），或是視頻流，即具有時(shí)間相關(guān)性的圖像序列；輸入也可以是描述一個(gè)或多個(gè)屬于已知／未知類別的物體；還可以包括輪廓，語義標(biāo)注等先驗(yàn)作為輸入數(shù)據(jù)。輸出的表示對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的選擇來說很重要，它影響著計(jì)算效率和重建質(zhì)量，主要有三種表示方法。體積表示（Volumetric）：在早期深度學(xué)習(xí)的三維重建算法中廣泛采用，它可采用體素網(wǎng)格來參數(shù)化三維物體；這樣二維卷積可以很容易擴(kuò)展到三維，但是會(huì)極大消耗內(nèi)存，也只有極少數(shù)方法達(dá)到亞像素精度?；诿娴谋硎荆⊿urface）：如網(wǎng)格和點(diǎn)云，它們占用內(nèi)存小，但不是規(guī)則結(jié)構(gòu)，因此很難融入深度學(xué)習(xí)架構(gòu)中。中間表示（Intermidiate）：不直接從圖像預(yù)測(cè)得到三維幾何結(jié)構(gòu)，而是將問題分解為連續(xù)步驟，每個(gè)步驟預(yù)測(cè)一個(gè)中間表示。實(shí)現(xiàn)預(yù)測(cè)算子的網(wǎng)絡(luò)結(jié)構(gòu)有很多，它的主干架構(gòu)在訓(xùn)練和測(cè)試階段也可能是不同的，一般由編碼器h和解碼器g組成，即。編碼器將輸入映射到稱為特征向量或代碼的隱變量x中，使用一系列的卷積和池化操作，然后是全連接層。解碼器也稱為生成器，通過使用全連接層或反卷積網(wǎng)絡(luò)（卷積和上采樣操作的序列，也稱為上卷積）將特征向量解碼為所需輸出。前者適用于三維點(diǎn)云等非結(jié)構(gòu)化輸出，后者則用于重建體積網(wǎng)格或參數(shù)化表面。雖然網(wǎng)絡(luò)的架構(gòu)和它的組成模塊很重要，但是算法性能很大程度上取決于它們的訓(xùn)練方式。本文將從三方面介紹。數(shù)據(jù)集：目前有多種數(shù)據(jù)集用于深度學(xué)習(xí)三維重建，一些是真實(shí)數(shù)據(jù)，一些是計(jì)算機(jī)圖形生成的。損失函數(shù)：損失函數(shù)很大程度上影響著重建質(zhì)量，同時(shí)反映了監(jiān)督學(xué)習(xí)的程度。訓(xùn)練步驟和監(jiān)督程度：有些方法需要用相應(yīng)的三維模型標(biāo)注真實(shí)的圖像，獲得這些圖像的成本非常高；有些方法則依賴于真實(shí)數(shù)據(jù)和合成數(shù)據(jù)的組合；另一些則通過利用容易獲得的監(jiān)督信號(hào)的損失函數(shù)來避免完全的三維監(jiān)督。以下為這些方面的詳細(xì)介紹

編碼階段

基于深度學(xué)習(xí)的三維重建將輸入圖像編碼為特征向量，其中為隱空間。一個(gè)好的映射方程應(yīng)該滿足一下性質(zhì)。

表示相似物體的兩張圖像映射在隱空間應(yīng)彼此相似

的一個(gè)小的擾動(dòng)應(yīng)與輸入形狀小的擾動(dòng)對(duì)應(yīng)

由h引起的潛在表示應(yīng)和外界因素?zé)o關(guān)，如相機(jī)位姿

三維模型及其對(duì)應(yīng)的二維圖像應(yīng)映射在隱空間的同一點(diǎn)上，這確保表示的特征不模糊，從而有助于重建

前兩個(gè)條件可以通過使用編碼器解決，編碼器將輸入映射到離散或者連續(xù)的隱空間，它可以是平面的或?qū)哟蔚?。第三個(gè)條件可以通過分離表示解決，最后一個(gè)在訓(xùn)練階段通過使用TL架構(gòu)（將在training章節(jié)中講）來解決。 離散隱空間Wu在他們的開創(chuàng)性工作[3]中引入了3D ShapeNet，這是一種編碼網(wǎng)絡(luò)，它將表示大小為的離散體積網(wǎng)格的三維模型映射到大小4000×1的向量表示中。其核心網(wǎng)絡(luò)由3個(gè)卷積層（每個(gè)卷積層使用3D卷積濾波器）和3個(gè)全連接層組成。這種標(biāo)準(zhǔn)的普通架構(gòu)已經(jīng)被用于三維形狀分類和檢索，并用于從以體素網(wǎng)格表示的深度圖中進(jìn)行三維重建。將輸入圖像映射到隱空間的2D編碼網(wǎng)絡(luò)有著與3D ShapeNet相似的網(wǎng)絡(luò)架構(gòu)，但使用2D卷積，代表工作有[4],[5],[6],[7],[8],[9],[10]和[11]。早期的工作在使用的網(wǎng)絡(luò)層的類型和數(shù)量上有所不同，包括池化層和激活函數(shù)有所不同。 連續(xù)隱空間使用前一小節(jié)中介紹的編碼器，隱空間可能不是連續(xù)的，因此它不允許簡(jiǎn)單的插值。換句話說，如果并且，則不能保證可以解碼為有效的3D形狀。此外，的小擾動(dòng)也不會(huì)對(duì)應(yīng)于輸入的小擾動(dòng)。變分自編碼器（VAE）及其3D擴(kuò)展（3D-VAE）具有一個(gè)讓它們適合生成建模的獨(dú)特的特性：通過設(shè)計(jì)，它們的隱空間是連續(xù)的，允許采樣和插值。其關(guān)鍵思想是，它不是將輸入映射到特征向量，而是映射到多變量高斯分布的平均向量和標(biāo)準(zhǔn)差向量。然后，采樣層獲取這兩個(gè)向量，并通過從高斯分布隨機(jī)采樣生成特征向量，該特征向量將用作隨后解碼階段的輸入。這樣的思想用于為體積表示([17],[18])，深度表示([19])，表面表示([20])，以及點(diǎn)云表示([21],[22])的三維重建算法學(xué)習(xí)連續(xù)隱空間。3D-VAE可以對(duì)在訓(xùn)練階段沒有見過的圖片重建出不錯(cuò)結(jié)果。 層次隱空間Liu[18]表明，將輸入映射到單個(gè)潛在表示（向量表示）的編碼器不能提取豐富的結(jié)構(gòu)，因此可能導(dǎo)致模糊的重建。為提高重建質(zhì)量，Liu引入了更復(fù)雜的內(nèi)部變量結(jié)構(gòu)，其具體目標(biāo)是鼓勵(lì)對(duì)潛在特征檢測(cè)器的分層排列進(jìn)行學(xué)習(xí)。該方法從一個(gè)全局隱變量層開始，該層被硬連接到一組局部隱變量層，每個(gè)隱變量層的任務(wù)是表示一個(gè)級(jí)別的特征抽象。跳躍連接以自上而下的定向方式將隱編碼（向量）連接在一起：接近輸入的局部代碼將傾向于表示較低級(jí)別的特征，而遠(yuǎn)離輸入的局部代碼將傾向于表示較高級(jí)別的特征。最后，當(dāng)輸入到特定于任務(wù)的模型（如三維重建）中時(shí)，將局部隱編碼連接到扁平結(jié)構(gòu)。 分離表示一張圖像中物體的外觀受多個(gè)因素的影響，例如對(duì)象的形狀、相機(jī)位姿和照明條件。標(biāo)準(zhǔn)編碼器用經(jīng)過學(xué)習(xí)的編碼表示所有這些變量。這在諸如識(shí)別和分類之類的應(yīng)用中是不可取的，這些應(yīng)用應(yīng)該對(duì)諸如位姿和照明之類的外部因素保持不變。三維重建也可以受益于分離式表示，其中形狀、位姿和燈光用不同的編碼表示。為了達(dá)到這一目的，Grant等[5]提出一個(gè)編碼器，可以將RGB圖像映射為一個(gè)形狀編碼和一個(gè)位姿變換編碼。它們將會(huì)分別解碼為三維形狀與光線條件位姿。此外，Zhu等人[24]使用相似的思想，將6DOF的位姿參數(shù)和三維模型解耦。這樣減少網(wǎng)絡(luò)中的參數(shù)，提高了效率。

體積解碼

體積表示將三維物體離散化成三維體素柵格。離散化的越精細(xì)，模型也表示的更準(zhǔn)確。解碼的目標(biāo)就是輸入圖像，恢復(fù)出柵格，使得三維形狀近似真實(shí)的三維物體。使用體積柵格表示的優(yōu)點(diǎn)是很多為二維圖像分析設(shè)計(jì)的深度學(xué)習(xí)框架可以很簡(jiǎn)單地?cái)U(kuò)展到三維數(shù)據(jù)（三維卷積與池化）。下面分別介紹不同體積表示方式，低精度解碼器架構(gòu)以及高精度三維重建。下表為各種體積解碼器的分類：

三維形狀的體積表示在文獻(xiàn)中主要有四種體積表示方法：

二元占用柵格（Binary occupancy grid）。在這種表示中，物體的體素被設(shè)為1，沒有物體占用的體素設(shè)為0。

概率占用柵格（Probabilistic occupancy grid）。在概率占用柵格中的每個(gè)體素編碼了它屬于物體的概率。

符號(hào)距離函數(shù)（SDF-The Signed Distance Function）。每個(gè)體素編碼了到最近表面的距離。體素在物體內(nèi)距離為負(fù)，在外距離為正。

截?cái)喾?hào)距離函數(shù)（TSDF-Truncated Signed Distance Function）。首先估計(jì)距離傳感器的視線方向上的距離，形成一個(gè)有符號(hào)的投影距離場(chǎng)，然后在較小的負(fù)值和正值處截?cái)嘣搱?chǎng)。

概率占用柵格尤其適合輸出為似然概率的機(jī)器學(xué)習(xí)算法。符號(hào)距離函數(shù)可提供表面位姿和法向量方向的無歧義的估計(jì)。然而它們很難從部分?jǐn)?shù)據(jù)（如深度圖）構(gòu)建。截?cái)嗑嚯x符號(hào)函數(shù)犧牲了使用完整的距離域，但是允許基于局部觀測(cè)來局部更新。他們適合從一組深度圖中重建三維體積。 低精度三維體積重建 一旦通過編碼器學(xué)習(xí)到輸入的向量表示，下一步就是學(xué)習(xí)解碼算子，也叫做生成器或生成模型，它把向量表示映射成體積體素柵格。方法普遍使用卷積反卷積網(wǎng)絡(luò)。Wu等人[3]是最先用這種方法從深度圖重建三維體積的。Wu等人[6]提出一個(gè)叫做MarrNet的兩階段三維重建網(wǎng)絡(luò)。第一階段輸入圖片、得到深度圖、法向量圖和輪廓圖，這三個(gè)稱作2.5簡(jiǎn)圖。然后再輸入另一對(duì)編碼器解碼器回歸出三維體積模型。這個(gè)工作在后來被Sun等人[9]發(fā)展出也回歸輸入的位姿。這三類圖更容易從二維圖片中恢復(fù)，但很難重建出復(fù)雜精細(xì)的結(jié)構(gòu)。Wu等人的工作[3]也有很多其他擴(kuò)展，如[7],[8],[17],[27],[40]。尤其是近期的工作如[8],[11],[13],[18]不用中間表示回歸出三維體素柵格。 高精度三維體積重建 有方法為高精度體積重建設(shè)計(jì)深度學(xué)習(xí)架構(gòu)。例如，Wu等人[6]的工作可以重建出大小為的體素柵格。但是柵格精度越高，其存儲(chǔ)會(huì)隨著三次方增長(zhǎng)，因此體積柵格表示消耗大量?jī)?nèi)存。我們把基于算法是否使用空間劃分，形狀劃分，子空間參數(shù)化，或是由粗到精的優(yōu)化策略分為四類。

空間劃分 雖然體積柵格利于卷積操作，但是它很稀疏因?yàn)槲矬w表面只在很少的體素內(nèi)。一些論文用這個(gè)稀疏性解決分辨率問題，如[32],[33],[41],[42]。它們可以通過使用空間劃分的方法（如八叉樹）重建出到的三維體素柵格。使用八叉樹做基于深度學(xué)習(xí)的三維重建有兩個(gè)問題。一個(gè)是內(nèi)存和計(jì)算密集，第二點(diǎn)是八叉樹的結(jié)構(gòu)是和物體有關(guān)的，因此深度神經(jīng)網(wǎng)絡(luò)需要學(xué)習(xí)如何推斷八叉樹的結(jié)構(gòu)以及它的內(nèi)容。下面是兩個(gè)問題的解決方案。一是使用預(yù)先定義的八叉樹結(jié)構(gòu)，即假設(shè)運(yùn)行時(shí)八叉樹的結(jié)構(gòu)是已知的。然而這在很多情況下八叉樹的結(jié)構(gòu)是未知的且必須要預(yù)測(cè)。Riegler等[41]提出一種混合的柵格-八叉樹結(jié)構(gòu)叫做OctNet，它限制八叉樹的最大深度為一個(gè)小的數(shù)字，并在一個(gè)柵格上放幾個(gè)這樣的八叉樹。二是學(xué)習(xí)八叉樹的結(jié)構(gòu)：同時(shí)估計(jì)出八叉樹的結(jié)構(gòu)和內(nèi)容。首先輸入編碼為一個(gè)特征向量。然后反卷積解碼得到粗糙的輸入的體積重建。將這個(gè)構(gòu)建好的基分割成八份，包含邊界體素的部分通過反卷積實(shí)現(xiàn)上采樣以及后續(xù)處理，改善重建的區(qū)域。不斷遞歸知直到達(dá)到期待的精度。

占用網(wǎng)絡(luò) 雖然空間劃分方法可以減少內(nèi)存消耗，但是很難實(shí)現(xiàn)并且現(xiàn)有的算法建出的體素柵格也比較?。ǖ剑Ｗ罱恍┱撐奶岢鲇蒙窠?jīng)網(wǎng)絡(luò)學(xué)習(xí)三維模型的隱式表示，如[43]和[44]。

形狀劃分 除了在空間上劃分三維模型，還可以考慮把形狀作為幾何部分來分配，獨(dú)立地重建出各個(gè)部分，再組合起來構(gòu)成完整的三維模型。[42]和[29]使用了這樣的思想。

子空間參數(shù)化 所有可能形狀的空間可以使用一組正交基參數(shù)化。每一個(gè)形狀可以由基的線性組合表示，即。這個(gè)簡(jiǎn)化了重建問題。不用學(xué)習(xí)如何重建體積柵格，取而代之的是設(shè)計(jì)一個(gè)由全連接層構(gòu)成的解碼器去從隱層表示估計(jì)參數(shù)，恢復(fù)出完整的三維模型。可參考文獻(xiàn)[12]。

由粗到細(xì)優(yōu)化 另一個(gè)提高體積表示三維重建算法分辨率的方法是使用多階段的方法，如[26],[28],[35],[45],[46]。第一階段用編碼器和解碼器恢復(fù)出低精度體素柵格（）。接下來的階段作用為上采樣網(wǎng)絡(luò)在局部地方改善重建模型。

深度立方體匹配 盡管體積表示適應(yīng)于任意拓?fù)涞娜S模型，但它需要一個(gè)后處理步驟，即立方體匹配（marching cubes）[49]，獲得實(shí)際的三維網(wǎng)格。這樣，整個(gè)過程不可以端到端地訓(xùn)練，為此Liao等人提出[50]一個(gè)可端到端訓(xùn)練的網(wǎng)絡(luò)深度立方體匹配，可以預(yù)測(cè)出任意拓?fù)涞娘@式表面表示。

三維表面解碼

基于體積表示的重建算法浪費(fèi)大量計(jì)算資源，因?yàn)樾畔⒅辉谌S物體表面附近豐富。基于表面的重建（mesh，點(diǎn)云）主要挑戰(zhàn)是他們不是均勻的結(jié)構(gòu)，因此它們很難放在深度學(xué)習(xí)框架。這一章節(jié)把基于表面重建算法分為三類：基于參數(shù)的，基于模版變形的，以及基于點(diǎn)的方法。前兩類為基于網(wǎng)格的解碼器，下表為它的分類。

基于參數(shù)的三維建模（Parameterization-based 3D reconstruction） 我們可以用一個(gè)映射，其中為一個(gè)正則參數(shù)域。三維建模的目標(biāo)是從輸入中恢復(fù)出形狀的函數(shù)。當(dāng)為三維域內(nèi)時(shí)，重建算法就是上一節(jié)的體積重建。本節(jié)取為二維域內(nèi)參數(shù)，它可以是一個(gè)二維空間平面的子集。球形參數(shù)和幾何圖像[62],[63]和[64]為最常用的參數(shù)化方法，但它們只適合0形（genus-0）和近似圓盤的表面，任意拓?fù)涞谋砻嫘枰殖上駡A盤的幾部分，然后展開成一個(gè)二維域。這樣它適合重建屬于同一類外形的物體重建，如人臉和軀干。 基于形變的三維重建（Deformation-based 3D reconstruction） 這類算法輸入圖像然后估計(jì)一個(gè)形變域，當(dāng)運(yùn)用在一個(gè)三維模版模型上時(shí)，就得到重建好的三維模型?，F(xiàn)有的算法在形變模型的使用，模板定義的方式，以及用于估計(jì)形變域的網(wǎng)絡(luò)架構(gòu)上有所不同。我們假設(shè)三維模型由n個(gè)頂點(diǎn)和表面組成。定義為一個(gè)模板形狀。

形變模型：大致分三種。一是頂點(diǎn)形變：假設(shè)三維模型可以寫作模版獨(dú)立頂點(diǎn)的線形組合，這個(gè)形變域定義為，該形變模型如上圖的上半部分所示，假設(shè)了物體和模版的頂點(diǎn)一一對(duì)應(yīng)且有相似的拓?fù)浣Y(jié)構(gòu)，[55],[56],[57]用了該模型。二是可漸變模型：假設(shè)為平均形狀，?為一組正交基，任何形狀可以表達(dá)為，它的第二項(xiàng)可以視為形變域，算法[68],[69],[70]使用了該模型。三為自由式形變（FFD）:除了對(duì)模版頂點(diǎn)形變，還可以如上圖下半部分所示對(duì)附近空間形變，它被用于[58],[59],[60]，它的優(yōu)點(diǎn)是不需要頂點(diǎn)一對(duì)一的對(duì)應(yīng)。

定義模版：Kato等人[55]用球形做模板，Wang等人[56]使用橢圓，Henderson等人[20]定義兩種模板。為了加速收斂，Kuryenkov等人[59]提出DeformNet，可以輸入一張圖片，在數(shù)據(jù)庫找到最近臨形狀再用FFD形變。其他定義模板方法如[70],[57]。

網(wǎng)絡(luò)架構(gòu) 基于形變的算法也使用編碼器解碼器架構(gòu)。編碼器使用連續(xù)卷積操作把輸入映射到隱空間，解碼器通常使用全連接層估計(jì)形變域，用球形匹配輸入輪廓。[59]如之前所述，在數(shù)據(jù)庫找到相似模板，這個(gè)模板首先體素化，用三維CNN編碼到隱空間表示，再通過反卷積解碼到定義在體素柵格頂點(diǎn)的FFD域，相似的算法還有[60]。

基于點(diǎn)的算法（Point-based techniques） 一個(gè)三維模型可以由一組無序的N個(gè)點(diǎn)表示。基于點(diǎn)的表示簡(jiǎn)單但消耗內(nèi)存小從而較有效。很多論文如[72],[21],[22],[73],[74],[75],[76],[77],[79],[80],[81],[82]等使用點(diǎn)云重建。 點(diǎn)的表示 點(diǎn)云的主要問題是它們沒有規(guī)則的結(jié)構(gòu)因此很難用于探索空間特征的神經(jīng)網(wǎng)絡(luò)。應(yīng)對(duì)這種局限有三種方法解決。一是用點(diǎn)云集表示把點(diǎn)云當(dāng)作的矩陣，如[21],[22],[72],[75],[77],[81]。二是使用一個(gè)或多個(gè)大小為的三通道柵格，如[72],[73],[82]。每一個(gè)柵格內(nèi)的像素編碼了三維點(diǎn)的坐標(biāo)。三是用多視角得到的深度圖，如[78],[83]。后兩種解決方法可稱為柵格表示，適合用于卷積網(wǎng)絡(luò)，同時(shí)計(jì)算上也有效率因?yàn)樗鼈兛梢灾挥枚S卷積來預(yù)測(cè)。 網(wǎng)絡(luò)架構(gòu) 和體積與基于表面表示的算法一樣，基于點(diǎn)表示的算法也使用編碼器解碼器模型，如下圖所示，它們使用解碼器的種類和架構(gòu)不同。

如上圖(a)和(b)，普遍柵格表示使用反卷積網(wǎng)絡(luò)解碼隱空間變量[72],[73],[78],[82]?；邳c(diǎn)集的表示如(c)所示使用全連接層[21],[72],[74],[77],[81]，因?yàn)辄c(diǎn)云是無序的。使用全連接層的主要優(yōu)點(diǎn)是它可以捕捉全局信息。然而和卷積操作相比計(jì)算量較大。為了高效的卷積計(jì)算，Gadelha等人用空間劃分空間排序點(diǎn)云（如KD樹）然后用一維卷積處理它們，如上圖(d)，他們?yōu)榱艘黄鹄萌趾途植啃畔ⅲ央[空間變量解碼為三個(gè)不同的分辨率，把它們連接起來再用卷積層處理生成點(diǎn)云。Fan等人提出[72]生成深度網(wǎng)絡(luò)結(jié)合了點(diǎn)集表示和柵格表示，上圖(a)。網(wǎng)絡(luò)結(jié)構(gòu)由幾個(gè)級(jí)聯(lián)的編碼器-解碼器組成。[74]和它類似，區(qū)別在于訓(xùn)練過程。和基于體積重建的算法類似，基于點(diǎn)的三維重建普遍也只恢復(fù)出低精度幾何結(jié)構(gòu)。對(duì)于高精度重建，Mandikal等人[81]如上圖(c)所示，使用級(jí)聯(lián)的多個(gè)網(wǎng)絡(luò)結(jié)構(gòu)：第一個(gè)網(wǎng)絡(luò)預(yù)測(cè)低精度點(diǎn)云，之后的每個(gè)模塊輸入之前預(yù)測(cè)的點(diǎn)云，利用類似于PointNet[87]和PointNet++[88]的多層感受結(jié)構(gòu)（MLP）去計(jì)算全局特征，在每個(gè)點(diǎn)周圍MLP計(jì)算局部特征。局部和全局特征合在一起送進(jìn)另一個(gè)MLP預(yù)測(cè)出稠密點(diǎn)云。這個(gè)過程可以不斷重復(fù)直到得到需要的分辨率。Mandikal等人[21]還結(jié)合TL架構(gòu)和變分自動(dòng)編碼器。基于點(diǎn)云表示的算法可以處理任意拓?fù)涞娜S物體。但是它們需要一個(gè)后處理步驟，例如泊松表面重建[89]或者SSD[90]來提取需要的三維表面網(wǎng)格。整個(gè)過程不能端到端訓(xùn)練。因此，這些方法只優(yōu)化一個(gè)定義在中間表示的輔助損失函數(shù)。

利用其他信息重建

之前章節(jié)討論了直接從二維觀測(cè)重建三維物體。本節(jié)介紹其他額外信息（如中間表示和時(shí)間關(guān)系）如何用來幫助三維重建。 中間表示 一些方法把三維重建問題分解為幾步，首先估計(jì)2.5維的信息，例如深度圖，法向圖或語義分割的區(qū)塊，最后再用傳統(tǒng)的方法（如空間分割或三維反向投影）再濾波，數(shù)據(jù)關(guān)聯(lián)，恢復(fù)出完整的三維幾何結(jié)構(gòu)及輸入的位姿。早期算法對(duì)不同模塊單獨(dú)訓(xùn)練，而如今的工作提出了端到端的解決方案如[6],[9],[38],[53],[80],[91],[92]。還有的算法從預(yù)先定義或任意的視角估計(jì)多個(gè)深度圖，再利用深度圖得到重建結(jié)果，如[83],[19],[73],[93]。[83],[73]和[9]除了深度圖還估計(jì)出了輪廓圖。使用多階段方法的優(yōu)點(diǎn)是深度圖，向量圖和輪廓圖更容易從二維圖像恢復(fù)出。從這三個(gè)恢復(fù)出三維模型要比單獨(dú)直接從二維圖像中恢復(fù)三維模型要更簡(jiǎn)單。 時(shí)空關(guān)系 有時(shí)候可以獲取到從不同角度對(duì)同一物體拍攝的照片?；趩螐垐D片的重建算法可以用來處理單幀得到三維建模，再通過配準(zhǔn)合成完整模型。比較理想的是，我們可以利用圖片間的時(shí)空關(guān)系來解決歧義，尤其是在遮擋以及特別雜亂的場(chǎng)景。也就是說，cnn在t時(shí)刻應(yīng)該知道t-1時(shí)刻重建了什么，使用它以及新時(shí)刻的輸入來重建t時(shí)刻的物體或場(chǎng)景。處理這樣連續(xù)時(shí)刻數(shù)據(jù)已經(jīng)使用RNN和LSTM解決，它們可以使網(wǎng)絡(luò)記住一段時(shí)間內(nèi)的輸入。Choy等人提出[7]叫做3D循環(huán)重建網(wǎng)絡(luò)（3D-R2N2）,它可以從不同視角的信息學(xué)習(xí)物體的三維表示。這個(gè)算法讓神經(jīng)網(wǎng)絡(luò)記住看過的圖片并在輸入新圖片時(shí)更新存儲(chǔ)，這可以解決物體自我遮擋問題。LSTM和CNN比較耗時(shí)并且RNN在輸入圖片輸入順序變化時(shí)不能再估計(jì)物體形狀，為了解決這樣問題，Xie等人提出[86]叫做Pix2Vox，由并行的多個(gè)編碼器解碼器組成。

訓(xùn)練

除了網(wǎng)絡(luò)結(jié)構(gòu)，深度學(xué)習(xí)網(wǎng)絡(luò)也依賴它們訓(xùn)練的方法。本節(jié)討論文獻(xiàn)中使用的不同監(jiān)督模式和訓(xùn)練步驟。 監(jiān)督的程度 早期算法依賴于三維監(jiān)督。然而不管是手動(dòng)還是用傳統(tǒng)三維重建算法來獲取三維數(shù)據(jù)的真值都比較困難。因此最近一些算法嘗試通過其他監(jiān)督信號(hào)例如一致性通過列表最小化三維監(jiān)督程度。

三維監(jiān)督的訓(xùn)練：訓(xùn)練時(shí)需要有三維真值，損失函數(shù)最小化重建的三維形狀與真值之間的差異，有體積損失函數(shù)，點(diǎn)集損失函數(shù)，N個(gè)重建的最小損失函數(shù)（MoN）。

二維監(jiān)督的訓(xùn)練：相對(duì)三維來說獲取2D或2.5D的視角更加容易，損失函數(shù)為真實(shí)的視角與重建物體的投影之間的差異。這需要定義估計(jì)的三維模型投影的計(jì)算子以及重投影誤差方程。重投影誤差方程主要有基于輪廓的損失函數(shù)，基于表面向量和深度的損失函數(shù)，或者結(jié)合二維與三維損失函數(shù)。

視頻監(jiān)督訓(xùn)練 另一個(gè)降低監(jiān)督程度的方法是使用運(yùn)動(dòng)代替三維監(jiān)督。為此，Novotni等人提出[100]使用運(yùn)動(dòng)估計(jì)結(jié)構(gòu)（SFM）從視頻生成監(jiān)督信號(hào)：在訓(xùn)練階段用視頻序列生成部分點(diǎn)云和相對(duì)的相機(jī)參數(shù)。誤差函數(shù)為網(wǎng)絡(luò)訓(xùn)練的深度圖和SFM得到的深度圖的差異。在測(cè)試時(shí)，這個(gè)網(wǎng)絡(luò)就可以直接從RGB圖像恢復(fù)出三維幾何結(jié)構(gòu)。 訓(xùn)練步驟 除了數(shù)據(jù)集，損失函數(shù)和監(jiān)督程度，還有一些訓(xùn)練神經(jīng)網(wǎng)絡(luò)做三維重建的實(shí)踐經(jīng)驗(yàn)。

聯(lián)合二維與三維：如上圖(a)和(b)，TL-embedding網(wǎng)絡(luò)一起訓(xùn)練編碼：有二維編碼器和三維編碼器。它們分別把二維圖像和它的三維標(biāo)注映射到隱空間的同一個(gè)點(diǎn)。[25],[79],[21]用這樣的方法訓(xùn)練網(wǎng)絡(luò)。

對(duì)抗訓(xùn)練：通常步驟訓(xùn)練的可能結(jié)果在沒見過的數(shù)據(jù)上重建效果不好。Yang等人[46],[103]開始用生成對(duì)抗網(wǎng)絡(luò)（GAN）訓(xùn)練。GAN的潛力很大，因?yàn)樗鼈兛梢阅７氯魏畏植嫉臄?shù)據(jù)。在單視圖重建方面它們已用于體積重建[13],[17],[30],[40],[46],[103]以及基于點(diǎn)云的重建[74],[75]。三維監(jiān)督的有[17],[30],[40],[46],[103]，二維監(jiān)督的有[13],[27],[97]。GAN很難訓(xùn)練，對(duì)于高精度的模型很不穩(wěn)定，因此要平衡生成器和分辨器的學(xué)習(xí)，否則梯度會(huì)消失。

和其他任務(wù)聯(lián)合訓(xùn)練：聯(lián)合訓(xùn)練重建與分割會(huì)讓它們互相促進(jìn)。如Mandikal等人[107]的方法。

應(yīng)用和特殊案例

很多應(yīng)用處理特定類別的物體如人的身體部位（臉和手等），野外的動(dòng)物和汽車。使用這些物體類別的先驗(yàn)知識(shí)可以顯著提高重建質(zhì)量。 三維人體重建 虛擬的（數(shù)字的）人在很多應(yīng)用如游戲，視覺體驗(yàn)影片中很重要，一些算法可以輕量地只從幾個(gè)RGB圖像中恢復(fù)出人體形狀和位姿。有基于體積表示的，也有基于模板或參數(shù)表示的算法。一些算法只重建出人體模型[108],[109]，還有算法也重建出了衣服[110],[111]?；趨?shù)的算法主要把問題轉(zhuǎn)化為不同的統(tǒng)計(jì)模型，三維人體模型估計(jì)就變?yōu)槟Ｐ蛥?shù)估計(jì)。主要模型有SCAPE[108],[109],[115]和SMPL[110],[116],[117],[118],[119]?；隗w積的方法直接推斷占用柵格，在之前章節(jié)描述的基于體積的方法可直接用于人體重建[121],[122]。 三維人臉重建 大多數(shù)方法使用參數(shù)表示來重建，廣泛使用的是Blanz和Vetter提出的[68]三維形變模型（3DMM）。該模型從幾何和紋理的角度捕捉面部的變化。Gerig等人[124]通過將表情作為單獨(dú)的空間擴(kuò)展了這個(gè)方法。 三維場(chǎng)景解析 除了單獨(dú)的物體重建，場(chǎng)景解析問題在于遮擋，聚類，形狀和位姿的不確定還需要估計(jì)場(chǎng)景布局。該問題結(jié)局方案涉及到三維物體檢測(cè)和識(shí)別，位姿估計(jì)和三維重建。主要方法有[136],[138]。

數(shù)據(jù)集

下面表格列出并總結(jié)了普遍使用的數(shù)據(jù)集的屬性?；谏疃葘W(xué)習(xí)的三維重建需要特別大的訓(xùn)練數(shù)據(jù)集，監(jiān)督學(xué)習(xí)還需要對(duì)應(yīng)的三維標(biāo)注，弱監(jiān)督和無監(jiān)督學(xué)習(xí)依賴外界監(jiān)督信號(hào)如相機(jī)內(nèi)外參。下表為一些數(shù)據(jù)集的信息。

性能對(duì)比

本節(jié)討論一些關(guān)鍵算法的性能，下面介紹各種性能的標(biāo)準(zhǔn)和度量，并討論和比較一些算法的性能。 精度指標(biāo)和性能標(biāo)準(zhǔn) 設(shè)為真實(shí)三維形狀，為重建結(jié)果。 精度指標(biāo)： ·均方誤差（MSE）：重建結(jié)果和真值的對(duì)稱表面距離 這里和分別是和的采樣點(diǎn)數(shù)量，是p到沿垂直方向到的距離，如L1和L2，距離越小，重建越好。 ·交并比（IoU）：IoU測(cè)量重建預(yù)測(cè)出的形狀體積與真實(shí)體積的交集與兩個(gè)體積的并集的比率 其中是指示函數(shù)，是第i個(gè)體素的預(yù)測(cè)值，是真值，是閾值。IoU值越高，重建效果越好，這一指標(biāo)適用于體積重建。因此，在處理基于曲面的表示時(shí)，需要對(duì)重建的和真實(shí)的三維模型進(jìn)行體素化。 ·交叉熵?fù)p失的均值：熵的均值越低，重建效果越好。 ·搬土距離（EMD）和倒角距離（Chamfer Distance） 性能標(biāo)準(zhǔn)： ·三維監(jiān)督程度：基于深度學(xué)習(xí)的三維重建算法的一個(gè)重要方面是訓(xùn)練時(shí)三維監(jiān)督的程度。事實(shí)上，雖然獲取RGB圖像很容易，但獲取其相應(yīng)的真實(shí)3D數(shù)據(jù)卻相當(dāng)具有挑戰(zhàn)性。因此，在訓(xùn)練過程中，與那些需要真實(shí)三維信息的算法相比，通常更傾向于需要較少或不需要三維監(jiān)督的技術(shù)。 ·計(jì)算時(shí)間：雖然訓(xùn)練時(shí)間慢，通常希望可以達(dá)到實(shí)時(shí)表現(xiàn)。 ·內(nèi)存占用：神經(jīng)網(wǎng)絡(luò)需要大量參數(shù)。一些算法在體積上使用三維卷積，這樣就會(huì)消耗大量?jī)?nèi)存，會(huì)影響實(shí)時(shí)性能限制它們的應(yīng)用范圍。 比較和討論 下圖展示了過去四年重建算法精度的改進(jìn)。

Fig. 6: Performance of some key methods on the ShapeNet dataset. References highlighted in red are point-based. The IoU is computed on grids of size?. The label next to each circle is encoded as follow: First author et al. (year, n at training, n at test), where n is the number of input images. 早期的研究大多用體素化表示，這樣可以表示任意拓?fù)鋸?fù)雜物體的表面和內(nèi)部細(xì)節(jié)。隨著O-CNN，OGN和OctNet等空間分割技術(shù)提出，體積表示的算法可以達(dá)到相對(duì)較高的分辨率，例如。這是由于內(nèi)存效率的顯著提高。然而只有很少論文采用這些方法因?yàn)樗鼈兊膶?shí)現(xiàn)比較復(fù)雜。為了實(shí)現(xiàn)高分辨率的三維體積重建，最近的許多論文都使用了中間表示，通過多個(gè)深度圖，然后進(jìn)行體積或基于點(diǎn)的融合。最近有幾篇論文開始關(guān)注學(xué)習(xí)連續(xù)的有符號(hào)距離函數(shù)的機(jī)制或連續(xù)占用網(wǎng)格，這些機(jī)制在內(nèi)存需求方面要求較低。它們的優(yōu)點(diǎn)是，由于它們學(xué)習(xí)了一個(gè)連續(xù)的場(chǎng)，因此可以在所需的分辨率下提取重建的三維物體。圖片顯示出自2016年以來，使用ShapeNet數(shù)據(jù)集作為基準(zhǔn)的幾年來性能的演變。在大小為的體積柵格上計(jì)算的IoU度量上，我們可以看到在訓(xùn)練和測(cè)試時(shí)使用多個(gè)視圖的方法優(yōu)于僅基于單個(gè)視圖的方法。此外，2017年開始出現(xiàn)的基于表面的重建算法略優(yōu)于體積算法。圖片還可看出2017年基于二維監(jiān)督的算法出現(xiàn)后，性能越來越高。(a)和(b)兩圖看出基于三維監(jiān)督的算法性能稍微更好。論文中表6為一些有代表性的算法的性能，見文尾原文的參考鏈接。

未來研究方向

在過去五年的大量研究中，使用深度學(xué)習(xí)進(jìn)行基于圖像的三維重建取得了很好的效果。然而這一課題仍在初級(jí)階段，有待進(jìn)一步發(fā)展。這一節(jié)介紹一些當(dāng)前的問題，并強(qiáng)調(diào)未來研究的方向。

訓(xùn)練數(shù)據(jù)問題。深度學(xué)習(xí)技術(shù)的成功在很大程度上取決于訓(xùn)練數(shù)據(jù)的可用性，不幸的是，與用于分類和識(shí)別等任務(wù)的訓(xùn)練數(shù)據(jù)集相比，包含圖像及其3D注釋的公開數(shù)據(jù)集的大小很小。二維監(jiān)督技術(shù)被用來解決缺乏三維訓(xùn)練數(shù)據(jù)的問題。然而，它們中的許多依賴于基于輪廓的監(jiān)督，因此只能重建視覺外殼。因此，期望在未來看到更多的論文提出新的大規(guī)模數(shù)據(jù)集、利用各種視覺線索的新的弱監(jiān)督和無監(jiān)督方法，以及新的領(lǐng)域適應(yīng)技術(shù)，其中使用來自某個(gè)領(lǐng)域的數(shù)據(jù)訓(xùn)練的網(wǎng)絡(luò)（例如，合成渲染圖像）適應(yīng)新的領(lǐng)域。研究能夠縮小真實(shí)圖像和綜合渲染圖像之間差距的渲染技術(shù)，可能有助于解決訓(xùn)練數(shù)據(jù)問題。

對(duì)看不見的物體的一般化。大多數(shù)最新的論文將數(shù)據(jù)集分成三個(gè)子集進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試，例如ShapeNet或Pix3D，然后測(cè)試子集的性能。但是，還不清楚這些方法如何在完全不可見的對(duì)象/圖像類別上執(zhí)行。實(shí)際上，三維重建方法的最終目標(biāo)是能夠從任意圖像中重建任意三維形狀。然而，基于學(xué)習(xí)的技術(shù)僅在訓(xùn)練集覆蓋的圖像和對(duì)象上表現(xiàn)良好。

精細(xì)的三維重建。目前最先進(jìn)的技術(shù)能夠恢復(fù)形狀的粗糙三維結(jié)構(gòu)，雖然最近的工作通過使用細(xì)化模塊顯著提高了重建的分辨率，但仍然無法恢復(fù)植物、頭發(fā)和毛皮等細(xì)小的部分。

重建與識(shí)別。圖像三維重建是一個(gè)不適定問題。因此，有效的解決方案需要結(jié)合低層次的圖像線索、結(jié)構(gòu)知識(shí)和高層次的對(duì)象理解。如Tatarchenko[44]最近的論文所述，基于深度學(xué)習(xí)的重建方法偏向于識(shí)別和檢索。因此，他們中的許多人沒有很好地概括，無法恢復(fù)精細(xì)的尺度細(xì)節(jié)。期望在未來看到更多關(guān)于如何將自頂向下的方法（即識(shí)別、分類和檢索）與自下而上的方法（即基于幾何和光度線索的像素級(jí)重建）相結(jié)合的研究,這也有可能提高方法的泛化能力。

專業(yè)實(shí)例重建。期望在未來看到特定于類的知識(shí)建模和基于深度學(xué)習(xí)的三維重建之間的更多協(xié)同作用，以便利用特定于領(lǐng)域的知識(shí)。事實(shí)上，人們對(duì)重建方法越來越感興趣，這些方法專門用于特定類別的物體，如人體和身體部位、車輛、動(dòng)物、樹木和建筑物。專門的方法利用先前和特定領(lǐng)域的知識(shí)來優(yōu)化網(wǎng)絡(luò)體系結(jié)構(gòu)及其訓(xùn)練過程。因此，它們通常比一般框架表現(xiàn)得更好。然而，與基于深度學(xué)習(xí)的三維重建類似，建模先驗(yàn)知識(shí)需要三維注釋，這對(duì)于許多類型的形狀（例如野生動(dòng)物）來說是不容易獲得的。

在有遮擋和雜亂背景的情況下處理多個(gè)對(duì)象。大多數(shù)最先進(jìn)的技術(shù)處理包含單個(gè)對(duì)象的圖像。然而，在野生圖像中，包含不同類別的多個(gè)對(duì)象。以前的工作采用檢測(cè)，然后在感興趣的區(qū)域內(nèi)重建。然而，這些任務(wù)是相互關(guān)聯(lián)的，如果共同解決，可以從中受益。為實(shí)現(xiàn)這一目標(biāo)，應(yīng)處理兩個(gè)重要問題。一是缺乏多目標(biāo)重建的訓(xùn)練數(shù)據(jù)。其次，設(shè)計(jì)合適的CNN結(jié)構(gòu)、損失函數(shù)和學(xué)習(xí)方法是非常重要的，特別是對(duì)于沒有3D監(jiān)督的訓(xùn)練方法。這些方法通常使用基于輪廓的損失函數(shù)，需要精確的對(duì)象級(jí)分割。

3D視頻。本文研究的是一幅或多幅圖像的三維重建，但沒有時(shí)間相關(guān)性，而人們對(duì)三維視頻越來越感興趣，即對(duì)連續(xù)幀具有時(shí)間相關(guān)性的整個(gè)視頻流進(jìn)行三維重建。一方面，幀序列的可用性可以改善重建，因?yàn)榭梢岳煤罄m(xù)幀中可用的附加信息來消除歧義并細(xì)化當(dāng)前幀處的重建。另一方面，重建的圖像在幀間應(yīng)該平滑一致。

走向全三維場(chǎng)景解析。最后，最終目標(biāo)是能夠從一個(gè)或多個(gè)圖像中語義分析完整的3D場(chǎng)景。這需要聯(lián)合檢測(cè)、識(shí)別和重建。它還需要捕獲和建模對(duì)象之間和對(duì)象部分之間的空間關(guān)系和交互。雖然在過去有一些嘗試來解決這個(gè)問題，但它們大多局限于室內(nèi)場(chǎng)景，對(duì)組成場(chǎng)景的對(duì)象的幾何和位置有很強(qiáng)的假設(shè)。

總結(jié)和評(píng)論

這篇論文綜述了近五年來利用深度學(xué)習(xí)技術(shù)進(jìn)行基于圖像的三維物體重建的研究進(jìn)展，將頂級(jí)的算法分為基于體積、基于表面和基于點(diǎn)的算法。然后，根據(jù)它們的輸入、網(wǎng)絡(luò)體系結(jié)構(gòu)和它們使用的訓(xùn)練機(jī)制討論了每個(gè)類別中的方法，還討論并比較了一些關(guān)鍵方法的性能。該調(diào)研重點(diǎn)是將三維重建定義為從一個(gè)或多個(gè)RGB圖像中恢復(fù)對(duì)象的三維幾何體的問題的方法。然而，還有許多其他相關(guān)問題也有類似的解決辦法。包括RGB圖像的深度重建[153]、三維形狀補(bǔ)全[26],[28],[45],[103],[156],[160],[161]，深度圖像的三維重建[103]、新視角合成[164],[165]和三維形狀結(jié)構(gòu)恢復(fù)[10],[29],[83],[96]等等。在過去五年中，這些主題已被廣泛調(diào)查，需要單獨(dú)的總結(jié)論文。

編輯：黃飛

?