Skip to main content

10.5.5 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

先建立一张地图​

3D 视觉最适合新人的理解方式不是“多了一维”，而是先看问题升级在哪里：

所以这节真正想帮你建立的是：

  • 平面理解和空间理解的差别
  • 深度、点云、多视角几何分别在解决什么问题

一个更适合新人的总类比​

你可以把 2D 和 3D 的差别理解成：

  • 2D 像看一张旅游照片
  • 3D 像真的站在现场，想知道人离你多远、桌子有多高、车在你左前方还是右前方

也就是说，3D 视觉真正新增的不是“多一列数字”，而是：

  • 你开始关心空间关系本身

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​

深度（Depth）​

每个点离相机有多远。

点云（Point Cloud）​

把场景表示成很多带三维坐标的点。

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)})

预期输出：

{'disparity': 40, 'depth': 2.4}
{'disparity': 20, 'depth': 4.8}
{'disparity': 10, 'depth': 9.6}

视差越小，估计出来的深度越大。学习完整双目几何之前，先抓住这条直觉就够了。

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

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。

新人第一次学 3D 视觉，最该先记哪三件事？​

  1. 深度 先理解“离相机多远”。

  2. 点云 先理解 3D 世界可以表示成很多空间点。

  3. 视差 先理解多视角为什么能恢复空间距离。

再看一个最小“由深度恢复点”的示例​

pixels = [
    {"u": 10, "v": 20, "z": 2.0},
    {"u": 12, "v": 21, "z": 2.5},
]


def to_point(pixel):
    return (pixel["u"] * pixel["z"], pixel["v"] * pixel["z"], pixel["z"])


points = [to_point(pixel) for pixel in pixels]
print(points)

预期输出：

[(20.0, 40.0, 2.0), (30.0, 52.5, 2.5)]

这是一个简化版点云直觉：每个图像点带着深度值，所以你可以把它想象成 3D 空间里的一个点。

这个示例不是严格相机模型，只是帮助新人先建立一个直觉：

  • 当你已经知道深度时
  • 图像里的点就可以被重新想象成空间里的点

这正是“点云感”最容易入门的地方。

3D 视觉深度、视差与点云直觉图

读图提示

3D 视觉真正新增的是空间关系。读这张图时先看 disparity 如何影响 depth，再看像素点如何带着深度变成 point cloud，最后再理解相机参数和多视角几何为什么重要。

四、3D 视觉为什么更难？​

数据更难拿​

2D 图片很好收集， 3D 标注和深度数据通常更贵。

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

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​

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。

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。

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。

第一次做 3D 项目时，最稳的默认顺序​

更稳的顺序通常是：

  1. 先选一个单目标的小场景
  2. 先理解深度和视差
  3. 先把二维点和三维点的对应关系看懂
  4. 再进入点云或多视角几何
  5. 最后再看更复杂的重建或 3D 检测

这样会比一开始就直接读复杂 3D 网络更容易稳住。

这节最正确的学习预期​

这一节不是要把你立刻带到复杂三维重建， 而是先让你真正意识到：

  • 3D 视觉比 2D 视觉多出的是空间几何问题
  • 这会影响数据、建模、评估和调试的难度

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。

这节最该带走什么​

  • 3D 视觉不是“多一个维度”那么简单
  • 深度、视差、点云是最值得先立住的三层直觉
  • 先学空间感，再看复杂模型，会更稳很多

如果把它做成项目，最值得展示什么​

  • 一个小型深度估计或双目示例
  • 深度图和原图的对照
  • 从图像点到空间点的最小可视化
  • 一组“近处 / 远处”判断的错误案例

这样会比只说“我做了 3D 视觉”更有说服力。

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？