【三维重建】基于多视角图像的三维重建

multi-view-3d-reconstruction

《基于多视角图像的三维重建》

一、引言

1.1 三维重建

三维重建根据所用传感器的不同，可以分为主动式三维重建和被动式三维重建。主动式三维重建根据传感器去主动探测深度信息，常用的传感器包括激光雷达（LiDAR），结构光（Structured Light）和ToF（Time-of-Fight, 飞行时间）等。主动式三维重建适用的场景受限，而且通常硬件设备价格昂贵。而被动式三维重建通常只需要相机，而且适用场景较为广泛，因此受到研究人员的重视/青睐。被动式三维重建根据算法输入视图数目的不同，可以分为单目深度估计、双目立体匹配和多视图三维重建三种方式。

• 三维重建
  • 激光雷达 【准确/稀疏/场景受限/探测距离受限/贵】
  • 结构光/ToF 【快速出深度图/场景受限/探测距离受限/较贵】
  • 基于图像的三维重建 【成本低/算法性能在不断提升】
    • 单目深度估计
    • 双目立体匹配
    • 多视图三维重建

1.2 基于图像的三维重建

基于图像的三维重建根据输入视图数可分为：单目深度估计、双目立体匹配和多视图三维重建。具体到每一种方式，如果三维重建是以恢复场景几何结构为目标，那么单目深度估计的深度图如果没有施加多视图的几何一致性（连续性）约束的话，那么重建三维几何的质量无法保证；而双目立体匹配计算的深度和双目相机的焦距和基线有关，如果需要获得较大的深度感知范围，则需要很大的基线距离，因此限制了双目立体匹配的应用范围。多视图立体匹配的输入图像为多幅单目图像，通过多视图之间的相似性搜索进行深度图的预测。多视图立体匹配的图像无需进行校正， 图像采集成本低，适用范围广， 因此多视图立体匹配广泛应用于各种场景的三维模型重建中。

• 单目深度估计
• 双目立体匹配： depth=f·b/disp, 式中f为focal length(焦距)，b为baseline(基线)，深度探测范围受限于相机之间的基线距离
• 多视图三维重建

QA: Stereo Matching和MVS的区别

• 数据获取：立体匹配通常使用双目相机进行拍摄，而MVS采集的数据通常为相机在不同视角下拍摄的多视角图像（或在连续视频流中采样得到的视频帧）
• 输入视图数：顾名思义，立体匹配的输入为两幅（校正后的）图像，计算视差后通过相机基线 b 和焦距 f 将视差 disparity 转为深度值 depth
• 更具体地，MVS的步骤中涉及视图选择，即选取哪些邻域视图用于相似性搜索（图像之间的夹角以及稀疏点之间的重叠度）。

1.3 基于多视角图像的三维重建

基于多视角图像进行三维重建的流程为：输入多视角采集的图像，输出对应场景的三维几何模型（点云/表面网格）。通常步骤包括：输入图像采集、运动恢复结构（Structure-from-Motion, SfM）、多视图立体匹配（Multi-view Stereo, MVS）和表面重建等步骤。

• 输入图像采集
  • 使用相机在不同视角下采集的图像
  • 从视频序列中采样得到的图像 https://github.com/cansik/sharp-frame-extractor
• 运动恢复结构
• 多视图立体匹配
• 表面重建

二、数据集与评测指标

2.1 多视图三维重建数据集

2.1.1 公开数据集

多视图三维重建（此处指MVS）常用数据集包括DTU、Tanks and Temples和ETH3D，以及用于深度学习网络模型训练的BlendedMVS。具体内容可以参考multi-view-stereo-benchmark

2.1.2 多视图三维重建评测指标

为了评价三维点云重建的性能，使用F-score或平均绝对误差距离指标来定性评价重建结果的准确性和完整性。

• F-score的计算可以参考 Tanks and Temples Tutorial (Appendix B. Compute F-score)
• Overall Score的计算可参考 Yao et al MVSNet paper (Sec 5.1 Benchmarking on DTU dataset)

2.2 真实场景中的三维重建

数据分类：室内物体、室内场景、室外物体、室外场景

对于物体类型的重建，推荐使用基于深度学习的PlaneSweeping方法；而对于大规模场景的重建，传统PatchMatch方法的泛化性更佳

https://github.com/ethan-li-coding/Datasets-of-MVS-reconstruction

https://github.com/XYZ-qiyh/Awesome-Learning-MVS#large-scale-real-world-scenes

三、运动恢复结构

作为多视图立体匹配的前置步骤，运动恢复结构为输入图像进行相机参数估计和场景稀疏重建。稀疏重建得到的3D点记为χ={X_k∈R^3 |k=1…N_X}，N_X为场景稀疏点个数。运动恢复结构算法可以被划分为增量式和全局式方法，增量式的方法速度相较于全局式方法速度慢但准确性高，而全局式的方法对外点不够鲁棒。以增量式运动恢复结构为例，其重建流程如下图所示。

增量式SfM首先从输入图像的特征点提取开始，由于SIFT特征具有尺度和几何不变性等特点，因此通常使用SIFT描述符来匹配不同图像之间的特征点，生成若干组可能的匹配点对。然后使用随机采样一致性（RANdom SAmple Consensus，RANSAC）策略来鲁棒地估计图像对之间的本质矩阵(Essential Matrix)，并剔除错误的匹配点对。在增量式重建阶段，从精心选取的两视图重建开始，通过图像配准和三角化不断地添加新视图和3D点。如果不进一步细化，SfM通常会迅速漂移到不可恢复的状态。考虑到过程中的误差累积，使用光束法平差（Bundle Adjustment, BA）对相机位姿和稀疏点位置进行优化，来最小化稀疏3D点在不同视角图像中的重投影误差。

• 论文：Structure-from-Motion Revisited

• 代码：colmap/colmap: COLMAP - Structure-from-Motion and Multi-View Stereo (github.com)

• 博客：三维重建系列之COLMAP: Structure-from-Motion Revisited

• Python版本BA：https://scipy-cookbook.readthedocs.io/items/bundle_adjustment.html

特征点提取与匹配

基于稀疏特征点的方法是SLAM或VIO技术的标准，因为他们速度快、精度高。 “先检测再描述”是最常见的稀疏特征提取方法，具体地，首先检测特征点，然后对该特征点周围的块进行描述。描述子封装了更高级别的信息，这些信息被低级别的关键点所忽略。在深度学习之前，SIFT和ORB特征点被广泛用于低级别视觉任务的特征匹配描述子。而随着深度学习的出现，在很多的应用中取代了这些手工设计的特征。近年来，出现了SuperPoint、LIFT和GIFT等相关工作。

常见的特征点：

• SIFT
• ORB
• SuperPoint: Self-Supervised Interest Point Detection and Description [paper] [Github]

四、多视图立体匹配

基于深度学习的MVS方法汇总：https://github.com/XYZ-qiyh/Awesome-Learning-MVS

基于传统PatchMatch的多视图三维重建：https://github.com/XYZ-qiyh/Awesome-PatchMatch-MVS