概述
本文提出了一种使用多摄像头图像跟踪任意三维点的新方法 MVTracker。
传统的单目方法容易受到深度模糊和屏蔽的影响，因此很难在现实世界中高精度地跟踪三维点。
现有的多摄像头方法还需要 20 多个摄像头和顺序优化，因此不切实际。
MVTracker 是首个数据驱动的多视角三维跟踪器，可使用实际数量的摄像头（如四个）并支持在线处理。
该方法整合了来自多个视角的特征和深度信息，从而建立了三维特征点云，并在此基础上使用 k 近邻搜索进行相关性计算。
此外，利用时空变换器模块进行的连续轨迹更新可实现长期三维点跟踪。
经过 Panoptic Studio 和 DexYCB 等真实数据集的验证，该方法的精确度明显高于传统方法，是一种多功能、高效率的新型点跟踪平台。它为多功能、高效的点跟踪平台树立了新标准。
建议的方法
MVTracker 的核心思想是从多视角视频中生成统一的三维特征点云，并计算其中的点对点相关性。
使用 CNN 从每个帧中提取特征图，并利用深度信息（传感器得出或估算）和摄像机参数将其投影到三维空间中。
在由此构建的特征点云中，使用 k 近邻搜索计算局部相关性，并将外观相似性与空间偏移相结合用于跟踪。
然后将其送入转换器，转换器采用滑动窗口法处理时间序列，通过自我关注机制依次更新点位置和特征。
这种机制使系统对屏蔽和复杂运动具有鲁棒性。训练是在模拟数据（Kubric 的 5000 个序列）上进行的，损失函数由位置误差和可见度判断的组合定义。
与传统的三平面表示法相比，三维点云表示法的信息损失更少，而且对不同摄像机数量和排列方式的适应性更强。
实验结果
作者在多个数据集上评估了 MVTracker 的性能，包括 Panoptic Studio、DexYCB 和 MV-Kubric。
使用位置精度 (δavg)、中轨迹误差 (MTE)、闭塞精度 (OA) 和总体杰卡指数 (AJ) 对各项指标进行了比较。
结果显示，MVTracker 对 Panoptic Studio 的 AJ 为 86.0，对 DexYCB 的 AJ 为 71.6，均明显优于传统方法。
特别是，DexyCB 的中位误差低至 2.0 厘米。
随着输入视图数量的增加，它的性能也呈上升趋势，8 个视图的 AJ 值达到 79.2。
此外，它对不同的深度估算源（传感器原点、估算值）具有鲁棒性，当使用传感器深度时，准确性进一步提高。
推理速度达到 7.2 FPS，表明 MVTracker 比传统的基于优化的方法更适合实时处理。
从这些结果可以得出结论，MVTracker 是一种很有前途的方法，在实际应用中能够很好地兼顾精度、效率和通用性。
