新演算法可以優化三維重建，極大推動AR中的物件跟蹤速度

該演算法在資料分析方面大大優化，助力AR、VR等相關領域的發展。

近日，伯克利的AI研究人員釋出新的演算法，該演算法根據物體的單幅二維影像資訊，就可以快速地將其三維結構構造出來。

雖然對於人類而言，根據物體的單面資訊推測出東西的整體形狀很容易做到，但是對於機器而言，這一過程十分艱難，因為增加一個維度意味著要增加大量的資料。

具體來看，當你拍一張照片，每一邊的畫素點數是100，那這張影像的畫素點數一共就是一萬個。但是如果你想增加一個維度，也就是增加一邊，假設增加的新邊畫素點數仍然是100，那整體畫素點數將增加一百倍。如果稍微追求精度，單邊畫素選用128，整體畫素點將增加兩百倍。不言而喻，資料量的增加是成數量級的。

同時為了確保不失真，影像的每一個畫素點及畫素點之間的關係都要計算分析，如果想要高精度，那計算量就將十分巨大。

對此很多研究人員都以提升硬體處理速度來彌補演算法執行資料量巨大這一不足，但執行速度依然十分之慢，不過伯克利人工智慧實驗室的Christian Häne卻指出，事實上，我們不是在計算和重建100x100x100的整體，而只是描述一個物件的表面，至於表面以外或以內的空間，我們都可以不用管。

所以，首先他以很低的解析度對2D影像進行3D重建，接著拋去表面以外的資料部分，對保留的區域進行更高解析度的渲染，以此迴圈重複，從而以較高速率和精度實現了對物體3D空間的重構。

筆者認為，這一定不是最佳解決方案，但是Christian Häne對資料的篩選方法上的改進是對演算法本身很好的一次優化，提升了計算機處理的速度和精度，有助於AR和VR中更迅速和精準的物件跟蹤。

原文釋出時間：2017-08-24 16:08

本文作者：Lynn

本文來自雲棲社群合作伙伴鎂客網，瞭解相關資訊可以關注鎂客網。