单视频视觉定位

视觉定位任务的学术名词叫SfM(Structure from Motion)，它的定义是：输入多个视角的图片，通过算法得到相机的内参、相机的位姿(6DoF)和场景的稀疏结构(稀疏点云)。目前业界比较成熟的视觉方案是COLMAP。在实际使用中我们发现，COLMAP的成功率只有80%，尤其在弱纹理、重复纹理、相机运动快时，精度严重下降；或者部分帧pose丢失甚至软件直接崩溃。对此，我们做出了改进。

SfM的算法环节可以分为两部分：特征匹配和几何模型。影响SfM精度和稳定性的主要是图像特征匹配的精度。所以，只要能提供准确的图像特征匹配方式，就可以恢复出准确的相机姿态和稀疏点云。

通用场景

为了提供更加鲁棒的特征和匹配方式，我们用神经网络特征(SuperPoint & SuperGlue)去替代COLMAP中的SIFT特征和BF(brute force)匹配方式，基本可以解决大部分的弱纹理和重复问题场景，如下图在虚拟渲染场景上的测试例子所示：

改进后的相机位姿对于重建的清晰度和质量有了很大提升，如下图所示：

但是由于SuperGlue的匹配很耗时(2张图匹配约50毫秒)且无法并行化，如果采用图像之间两两穷尽匹配的话，一个400张图的图片集需要匹配约8万次，耗时1小时以上。因此，我们修改了匹配策略，减少了无效匹配。如下图所示，热量矩阵代表不同图像直接的相似度。白色、蓝色、红色表示相似程度递增。我们使用了稀疏采样+回环增强的模式，在不降低精度的情况下，匹配时间提升了15倍，400张图的匹配时间约为4分钟。

对称物体场景

在实际的环拍数据中，容易出现对称的物体和背景。即某些物体从不同视角呈现了差不多的图像特征，会造成一个错误的回环信号。如下图图1所示，两个完全不同的视角有着相似的图像特征。错误的闭环检测会造成错误的位姿，如下图图2所示。因此我们采用coarse-to-fine的SfM策略。

先不考虑闭环，计算出初步相机姿态（不够准）。基于第一步的相机位置作为先验，再考虑闭环，计算出准确的相机姿态。

模糊图像场景

相机运动过快时容易采集到模糊图像。针对模糊图像SfM需要添加跳帧匹配策略。

转台场景

转台可以降低环拍难度。相机固定，转台运动的情况下，需要过滤掉转台外的像素点。我们采用了平面跟踪技术，能够准确跟踪转台平面的区域。转台外的特征点需要在匹配时过滤掉。

总结

经过上述一系列改进，视觉定位的成功率得到的大幅度提升，在实际业务中，视觉定位成功率由开源方案的80%提升到了99.3%。

多视频联合视觉定位

两个视频位姿对齐

如果我们要实现商品的全方位重建（比如重建鞋子、手办底部），我们需要将商品侧翻一下，再拍摄一个视频。前后拍摄的2个视频，如下图所示。由于个视单频下的相机姿态独立计算，需要将两个视频的位姿对齐到统一的坐标系。

拍摄的2个视频

一种比较简单的方法是用图像分割直接提取前景物体，将2个视频的图像混合在一起，直接在白底图上做SfM。实验发现这种情况位姿精度下降非常严重，因为前景特征非常少。

还有一种方法就是我们使用点云配准算法，又叫点云注册(Point Cloud Registration)。通过计算3D点云的特征（又分为局部特征和全局特征），计算出两堆点云的空间变换。但是在我们这个业务场景也无法适用。第一，单目SfM是缺乏尺度的，稀疏点云之间的尺度大小不一致，目前的点云配准方法并不支持。第二，由于正面摆放和侧面摆放，点云的overlap比较少，用业界的点云配准算法也很难得到变换结果。如下图是用ECCV2020的DeepGMR的的点云配准结果，发现匹配误差非常大，2个稀疏点云无法对齐。

所以我们提出了：在“2D上匹配，3D上求解”的算法框架，用来对齐2个拍摄视频的位姿。以下是设计的系统框图：

将点云投影到图像上提取特征，匹配，统计2D匹配的数量，得到3D点和3D点的对应关系，最后求解7个自由度：尺度s，旋转R，平移T：

可以成功将两个点云对齐，如下图蓝色和红色点云所示。

用对齐后的位姿去重建，效果如下图所示，无论正面还是底面都很清晰，说明点云配准所求出的变换精度较高。

多个视频位姿对齐

如果只拍2个视频，仍然会存在一定的拍摄盲区（会有一个比较小的区域没办法拍到），那么重建出来这个区域仍然比较脏、不干净（如下图的第二行，第三列的图，会有一小块白色随机颜色值）。对此，我们将拍摄视频扩展到3个，也将算法提高到了3视频对齐。3个视频可以实现商品的无死角覆盖拍摄。

以下分别是，拍1个视频、2个视频、3个视频的对齐位姿和底部重建效果。

更多全方位重建模型预览如下图所示：

淘宝应用

我们借用手淘上的720展示链路，将建模的结果离线渲染成图像序列，上传到了手淘，并在主图第二帧展示。

主体分割

问题定义

要想重建一个物体，首先要在图像上将物体分割出来，将前景保留、背景去除，重建出来的模型才能干净、完整。目前业界的重建方法（如NeRF、IDRNet）都对分割结果非常敏感，基本需要绝对准确的结果，一旦有1张出现了分割不准的情况，都会影响最终的重建结果。现有的图像/视频分割算法很难满足这个要求。

解决方法

对此，我们提出了图像分割和神经渲染端到端联合优化网络。将分割网络输出的结果作为初值，通过神经渲染的方式融合各个视角下的结果。

结果对比

如下图所示，最左边图片是输入RGB图，中间图片是用SOTA分割算法得到的抠图结果，右边图像是我们的算法结果。我们的分割结果非常精细(可达1个像素的细腻度，如右下角图所示)，且不惧复杂背景。

总结

如果您想了解更多关于商品AI建模的信息，欢迎访问Object Drawer的官网：https://tech.taobao.org/objectdrawer。