丰色 发自 凹非寺
量子位 | 公众号 QbitAI
只需2张图片，无需测量任何额外数据——
当当，一个完整的3D小熊就有了：
这个名为DUSt3R的新工具，火得一塌糊涂，才上线没多久就登上GitHub热榜第二。
有网友实测，拍两张照片，真的就重建出了他家的厨房，整个过程耗时不到2秒钟！
（除了3D图，深度图、置信度图和点云图它都能一并给出）
惊得这位朋友直呼：
大伙先忘掉sora吧，这才是我们真正看得见摸得着的东西。
实验显示，DUSt3R在单目/多视图深度估计以及相对位姿估计三个任务上，均取得SOTA。
作者团队
（来自芬兰阿尔托大学+NAVER LABS人工智能研究所欧洲分所）的“宣语”也是气势满满：
我们就是要让天下没有难搞的3D视觉任务。
所以，它是如何做到？
“all-in-one”
对于多视图立体重建（MVS）任务来说，第一步就是估计相机参数，包括内外参。
这个操作很枯燥也很麻烦，但对于后续在三维空间中进行三角测量的像素不可或缺，而这又是几乎所有性能比较好的MVS算法都离不开的一环。
在本文研究中，作者团队引入的DUSt3R则完全采用了截然不同的方法。
它不需要任何相机校准或视点姿势的先验信息，就可完成任意图像的密集或无约束3D重建。
在此，团队将成对重建问题表述为点图回归，统一单目和双目重建情况。
在提供超过两张输入图像的情况下，通过一种简单而有效的全局对准策略，将所有成对的点图表示为一个共同的参考框架。
如下图所示，给定一组具有未知相机姿态和内在特征的照片，DUSt3R输出对应的一组点图，从中我们就可以直接恢复各种通常难以同时估计的几何量，如相机参数、像素对应关系、深度图，以及完全一致的3D重建效果。
（作者提示，DUSt3R也适用于单张输入图像）
具体网络架构方面，DUSt3R基于的是标准Transformer编码器和解码器，受到了CroCo（通过跨视图完成3D视觉任务的自我监督预训练的一个研究）的启发，并采用简单的回归损失训练完成。
如下图所示，场景的两个视图（I1，I2）首先用共享的ViT编码器以连体（Siamese）方式进行编码。
所得到的token表示（F1和F2）随后被传递到两个Transformer解码器，后者通过交叉注意力不断地交换信息。
最后，两个回归头输出两个对应的点图和相关的置信图。
重点是，这两个点图都要在第一张图像的同一坐标系中进行表示。
多项任务获SOTA
实验首先在7Scenes（7个室内场景）和Cambridge Landmarks（8个室外场景）数据集上评估DUSt3R在绝对姿态估计任务上性能，指标是平移误差和旋转误差（值越小越好）。
作者表示，与现有其他特征匹配和端到端方法相比，DUSt3R表现算可圈可点了。
因为它一从未接受过任何视觉定位训练，二是在训练过程中，也没有遇到过查询图像和数据库图像。
其次，是在10个随机帧上进行的多视图姿态回归任务。结果DUSt3R在两个数据集上都取得了最佳效果。
而单目深度估计任务上，DUSt3R也能很好地hold室内和室外场景，性能优于自监督基线，并与最先进的监督基线不相上下。
在多视图深度估计上，DUSt3R的表现也可谓亮眼。
以下是两组官方给出的3D重建效果，再给大伙感受一下，都是仅输入两张图像：
（一）
（二）
网友实测：两张图无重叠也行
有网友给了DUSt3R两张没有任何重叠内容的图像，结果它也在几秒内输出了准确的3D视图：
（图片是他的办公室，所以肯定没在训练中见过）
对此，有网友表示，这意味着该方法不是在那进行“客观测量”，而是表现得更像一个AI。
除此之外，还有人好奇当输入图像是两个不同的相机拍的时，方法是否仍然有效？
有网友还真试了，答案是yes!
传送门：
[1]论文https://arxiv.org/abs/2312.14132
[2]代码https://github.com/naver/dust3r
参考链接：
[1]https://dust3r.europe.naverlabs.com/
[2]https://twitter.com/janusch_patas/status/1764025964915302400
