高通的AR眼镜，可以实时3D重建了！

---

  新智元报道  

高通的AR眼镜，可以实时3D重建了！

当使用者戴上AR眼镜后，就实时生成了房间的3D影像。

AR眼镜显示的视角，就是用户所观察到的视角。而这些图像被输送到高通的低延迟深度估计模型中，预测的深度和相机的6自由度被提供给了重建模型。

「自我监督」的意思，是使用重投影损失来监督每个单目深度模型。

而实时生成的3D网格和平面非常准确，使物理世界与数字世界的沉浸式AR体验得以无缝对接。

办公环境深度图的相对误差最小可达10-20%，而深度估计延迟小于9ms。

在7月高通的一篇blog上，我们或许可以找到答案。

让我们来看看这篇博客——

世界是3D的，作为人类，我们是以3D的方式感知这世界世界。

与2D相比，3D感知具有许多优势，使我们能够更准确地感知和参与我们周围的世界——这就是为什么使机器具有这种能力这么重要。

例如，3D感知有助于在不同的光照条件下获得可靠的结果，为物体和场景识别提供可靠的线索，并且准确地估计尺寸、姿势和运动。

启用和增强关键用例

例如，要实现沉浸式 XR，在6自由度运动估计、避障、物体放置、逼真渲染、手势估计以及虚拟环境中的交互中，3D感知都至关重要。

3D感知极大地促进了沉浸式XR

3D感知为自动驾驶提供极大的助力，自动驾驶利用来自摄像头、LiDAR和雷达的3D数据流，让更安全的驾驶成为可能。

3D感知还可用于3D地图重建，它可以将车辆定位在道路上，寻找可通行的路面，避开障碍物，估计车辆、行人等物体的轨迹，进行路径规划等等。

3D感知需要克服的新挑战

现在，使3D感知的AI SOTA模型成为现实，并在受功率、热和性能限制的边缘设备上进行大规模的实际部署，一直是很大的挑战。

值得注意的是，有两类挑战很突出——数据和实施挑战。

与像素排列在均匀网格上的2D图像不同，3D点云非常稀疏且不均匀，这就需要在可访问性与内存之间取得一个平衡。

3D感知面临数据和实施挑战

使大规模3D感知成为现实

高通的专家通过全栈AI研究构建真实世界的部署，并创建了一个节能平台，使3D感知无处不在。

专家使用Qualcomm AI Stack工具包和SDK进行了全栈优化，实现了许多3D感知突破。

这其中的四个关键领域——深度估计、目标检测、后估计和场景理解的细节，如下所示。

3D感知研究的四个关键领域

跨不同模式的准确深度估计

研究院已经为单目和立体图像开发了 SOTA 监督和自我监督学习方法，这些方法不仅高效，而且非常准确。

除了模型架构之外，全栈优化还包括使用DONNA（提取最佳神经网络架构）进行神经架构搜索，以及使用AI 模型效率工具包 (AIMET)进行量化。

因此，高通在手机了展示了世界上第一个实时单眼深度估计，可以从单个图像创建3D图像。

高效准确的3D物体检测

3D物体检测是指寻找单个物体的位置和区域的感知任务。

例如，目标可能是在用于自动驾驶的 LiDAR 数据上检测所有车辆和行人的相应 3D 边界框。

专家正在使3D点云中的高效对象检测成为可能。

为此，他们开发了一种基于变换器的高效3D对象检测架构，这个架构利用的是在极地空间中提取的2D伪图像特征。

凭借更小、更快和更低功耗的模型，专家在LiDAR 3D点云上的车辆、行人和交通标志检测方面取得了最高的准确度分数。

低延迟和准确的3D姿势估计

对于XR应用程序，对于在虚拟环境中与虚拟对象进行直观交互，准确且低延迟的手部和身体姿势估计是至关重要的。

专家开发了一种具有动态改进功能的高效神经网络架构，以减少手部姿势估计的模型大小和延迟。

这个模型可以从2D图像解释3D的人体姿势和手部姿势，计算可扩展架构迭代改进了关键点检测，误差小于5毫米——这就实现了最佳的平均3D误差。

3D场景理解

专家开发了世界上第一个用于场景理解的基于变换器的逆向渲染。

经过端到端训练的管道从室内图像估计基于物理的场景属性，例如房间布局、表面法线、反照率（表面漫反射率）、材料类型、对象类别和照明估计等。

高通的AI模型可以更好地处理场景组件之间的全局交互，从而更好地消除形状、材料和照明的歧义。

目前，专家在所有3D感知的任务上都取得了SOTA结果，并支持高质量的AR应用程序，例如将逼真的虚拟对象插入到真实的场景中。

这个方法可以正确地估计光照，以逼真地插入物体，例如兔子

更多3D的感知突破即将到来

此外，随着机器学习研究工作的推进，高通的感知研究会比3D感知广泛得多。

在XR、相机、移动、自动驾驶、物联网等领域，会有更多感知设备出现。

我们的日常生活，在未来会大不相同。