跳到主要内容

3D 视觉入门【选修】

本节定位

2D 视觉主要在平面图像里理解内容。
3D 视觉再往前走一步：

不仅要知道图里是什么，还想知道它在空间里离我们多远、朝向如何、结构怎样。

这也是它和普通 CV 最大的不同。

学习目标​

  • 理解深度、点云和多视角几何的基本直觉
  • 理解 3D 视觉为什么比 2D 更难
  • 通过可运行示例建立深度估计最小直觉
  • 知道 3D 视觉常见应用场景

一、3D 视觉最核心的新问题是什么？​

在 2D 图像里，很多时候只关心：

  • 类别
  • 位置

3D 视觉还会进一步关心：

  • 距离
  • 体积
  • 空间结构

一个类比​

2D 更像看地图截图。
3D 更像真的站在场景里，想知道：

  • 这个物体离我多远

二、几个最常见的 3D 视觉概念​

2.1 深度（Depth）​

每个点离相机有多远。

2.2 点云（Point Cloud）​

把场景表示成很多带三维坐标的点。

2.3 多视角几何​

通过多个视角之间的对应关系，恢复三维结构。

三、先看一个最小深度直觉示例​

def estimate_depth(focal_length, baseline, disparity):
    if disparity == 0:
        return float("inf")
    return focal_length * baseline / disparity


focal_length = 800
baseline = 0.12

for disparity in [40, 20, 10]:
    depth = estimate_depth(focal_length, baseline, disparity)
    print({"disparity": disparity, "depth": round(depth, 4)})

3.1 这个例子最想表达什么？​

它抓住了立体视觉最核心的一层直觉：

  • 视差越大，通常越近
  • 视差越小，通常越远

3.2 为什么这很重要？​

因为它让“图像里的点”第一次和真实三维空间联系起来。

四、3D 视觉为什么更难？​

4.1 数据更难拿​

2D 图片很好收集，
3D 标注和深度数据通常更贵。

4.2 几何关系更复杂​

你不只是处理外观，
还要处理：

  • 相机参数
  • 视角变化
  • 空间一致性

4.3 可视化和调试也更难​

二维图像错误很直观，
三维结构错误往往更难肉眼看懂。

五、最常见误区​

5.1 误区一：3D 视觉只是“多一个维度”​

不止。
它带来的是新的几何问题。

5.2 误区二：2D 做好了自然就能做 3D​

有帮助，但仍然要补空间几何直觉。

5.3 误区三：一开始就直接上复杂 3D 网络​

更稳妥的方式通常是先把：

  • 深度
  • 视差
  • 点云

这些基础直觉立住。

小结​

这节最重要的是建立一个判断：

3D 视觉的核心价值，是把图像理解从平面提升到空间结构，而这也让它天然比 2D 视觉多出一层几何难度。

练习​

  1. 改一改 disparity，观察深度变化趋势。
  2. 为什么说 3D 视觉比 2D 视觉更依赖几何直觉？
  3. 点云为什么是一种很自然的 3D 表示？
  4. 想一想：哪些应用特别依赖 3D 视觉，而不是只要 2D 检测就够了？