3D视觉：深度估计、点云处理与神经辐射场技术体系
三维视觉使计算机系统能够感知和理解真实世界的立体结构与空间关系，是计算机视觉从二维图像理解向三维空间认知的关键跨越。随着自动驾驶、机器人导航、增强现实和元宇宙等领域的快速发展，3D视觉技术正成为推动智能化应用落地的核心技术支柱，其价值不仅在于重建三维几何，更在于实现对动态复杂环境的深度理解与交互。
1. 深度估计：从立体匹配到单目感知
深度估计旨在获取场景中各点相对于相机的距离信息，是构建3D感知的基础。根据传感器配置的不同，深度估计技术主要分为多视图几何方法和单目深度估计两大方向。
1.1 传统多视图深度估计方法
1.1.1 立体视觉与多视图几何
传统深度估计基于多视角几何原理，通过多个视角的图像信息计算深度：
立体匹配：通过寻找左右图像中的对应点，利用三角测量原理计算深度
- 局部方法：基于窗口的相似度计算（SAD、SSD、NCC）
- 全局方法：构建能量函数优化（图割、置信传播）
- 半全局匹配：在精度和效率间取得平衡的SGM算法
运动恢复结构：从移动相机拍摄的图像序列中同时估计相机姿态和场景结构
- 特征提取与匹配：SIFT、SURF、ORB等特征检测器
- 增量式SfM：逐步添加图像，扩展重建区域
- 全局式SfM：优化全局一致性，减少累积误差
1.1.2 主动式深度传感技术
通过主动发射能量并分析返回信号获取深度：
结构光：投射特定图案（如条纹、点阵），通过图案形变计算深度
- 优点：精度高（毫米级），适用于静态场景
- 局限：易受环境光干扰，作用距离有限
飞行时间法：测量光脉冲往返时间计算距离
- iToF：间接测量相位偏移，适合中短距离
- dToF：直接测量飞行时间，适用于远距离
- 应用：智能手机Face ID、自动驾驶LiDAR
激光雷达：通过激光扫描获取高精度点云
- 机械式：360°旋转扫描，点云密度高
- 固态式：无运动部件，可靠性高，成本逐渐降低
1.2 单目深度估计的革命
单目深度估计仅从单张RGB图像中推断深度信息，是计算机视觉领域的重大挑战。
1.2.1 监督学习范式
早期深度学习方法基于有监督训练，使用激光雷达或深度相机采集的真实深度作为监督信号：
- Eigen等人的开创性工作（2014）：首次将深度学习用于单目深度估计，采用多尺度CNN架构
- 条件随机场整合：将CNN与CRF结合，建模像素间的空间依赖关系
- 残差学习与注意力机制：通过跳跃连接和注意力模块提升细节恢复能力
监督方法的挑战在于真实深度数据获取成本高，且传感器存在测量盲区（如透明物体、远处物体）。
1.2.2 自监督学习突破
自监督方法通过多视图几何约束实现无真实深度标签的训练：
基于单目视频的训练：利用连续帧间的相对姿态约束
- 核心思想：通过视图合成构建光度一致性损失
- 深度网络与姿态网络联合学习
- 代表性工作：Monodepth、SC-SfM
)
