六自由度的全景视频技术

背景：

全景视频技术是 VR/AR 领域实现 3D 视频中的一项重要技术，而传统的全景视频仅具有三自由度（ 3DOF ），即观察者的位置是固定的，只能体验到偏航（ yaw ），俯仰（ roll ）和侧倾（ pitch ）这三个自由度。而当允许六自由度（ 6DOF ）的时候，观察者可以在有限的空间内自由移动，可以充分体验到偏航，俯仰，侧倾，以及前/后，上/下和左/右，如下图所示。

全景视频的内容分为计算机图形学渲染图像和拍摄的实景。对于后者来说，实拍视频摄像机位置都是确定的，在观看时如果移动视角，对应的新位置存在数据缺失的问题，从而导致观看图像的不规则拉伸变形，如下图（图 1 ）。如果每个视点都采集一副全景图片的话，数据量过于庞大。为了解决数据量过于庞大的问题，过往方法中的六自由度的全景视频都会引入深度来解决，深度获取上，往往需要构造彩色或/及深度相机的阵列来得到。

本文提出了一种低成本且易用的六自由度全景视频技术。我们引入深度神经网络，不仅可预测全景视图的深度视图，而且可自动智能填补移动视角时候出现的数据缺失，从而使观察者可以在一定范围内的自由空间“随便走“，并且观看图像不变形，如下图（图 2 ）。特别的，本文的方法可以很好的估计全景视图的深度视图，不依赖于深度摄像机，所以使用范围不受限，同时包括室内和室外。

图 1

图 2

技术介绍：

全景视频中的深度信息：

首先，我们先看一下什么是全景视频中的深度信息。深度信息是指视频/照片中每个像素在具有色彩信息以外，还带有一个深度信息，即我们通常所说的 RGBD 中 D/Depth ，它表示的是该像素距离相机成像平面的距离。而全景视频的深度信息则是周围 360 度空间中所有的像素点，都带有距离信息，所以提供了丰富的 360 度场景结构信息。

深度信息的捕获一般分为主动（结构光， ToF ）和被动（计算机视觉计算 Multi View Stereo ：通过多张照片来计算深度）两种。主动的方式需要深度获取设备，而设备存在室外影响、多设备多径干扰等问题。另一方面，被动的方式需要复杂的计算，鲁棒性很难达到标准，尤其对于低纹理、重复纹理、透明纹理和高光纹理等情况。

全景视图深度估计模型：

我们提出采用深度学习的方法来估算全景视图所对应的深度视图，深度网络采用经典的编码器-解码器模型，其中编码器可采用常用的 backbone 模型，如 ResNet ， VGG 等；深度解码器会将输出转换为深度值的输出。为了满足高分辨率的全景视频的深度估计，我们将各个尺度的损失合并在一起，做多尺度的估计，可以实现对目标全景视图的高分辨率深度重建。

全景视图深度估计模型

采用我们的训练模型进行预测，如输入下图的全景视图，就可以输出相对应的深度视图的结果，如下两组图片所示：

全景视图及其对应的深度视图结果

RGB+D 训练数据：

上述的全景视图深度估计模型需要大量的 RGB+D 训练数据，而这方面的公开数据集较少。我们采集并生成了两大类训练数据（作为我们自研的全景视图 RGBD 数据集），包含利用自建设备搭建去采集得到的 groudtruth 数据，以及 Computer Graphics 生成的 groudtruth 数据两种，来构建全景视图及其对应深度视图的自有训练数据库。

采集设备

一、 我们搭建了全景视图及其深度视图的采集设备，深度采集使用 ToF 相机，如上图所示。使用消费级手机、 ToF sensor 、云台、三脚架及专用采集 APP 来获取，可同步获取颜色和深度信息。专业云台可以固定角度间隔拍摄多张 RGB 和 D 的图像对。这里，为了改善 ToF 相机拍摄结果的质量不足，尤其是过曝和欠爆导致的黑洞，我们提出了实时低成本的深度补全算法，来增强原始拍摄深度图的质量，如下图流程及结果（左：拍摄深度图的 warp 变换结果；右：增强深度图结果）所示。

RGB+D 图像对生成算法

深度补全算法

由上面的流程图可以看出，彩色图和深度图可以借助标定算法进行对齐，称为 RGB+D 图像对。对于多个 RGB+D 图像对，我们采用经典的全景视图拼接算法，即通过特征点匹配的方式，获取精确的相机位姿，并进行拼接、后处理得到最终的全景视图及其对应的深度视图，来作为我们训练的 groudtruth ，如下图所示。

采集得到训练数据

二、 我们采用图形学的方式构造了一批模型场景数据，并通过 Unreal/Unity 等渲染引擎，渲染得到全景视图及其对应的深度视图，增加训练数据，补充自有数据库的不足。

全景视图填补技术：

如前面所述，由于实拍全景视频的摄像机位置都是确定的，在观看时如果移动视角，对应的新位置存在数据缺失的问题。为了解决这一问题，本文提出了全景视图填补技术，通过计算深度视图的不连续处（阈值判断），并在不连续处做膨胀计算，即从不连续处像背景做膨胀，然后将膨胀结果处理成二值图作为填补/ inpainting 模型的输入 mask ，去填充并修复得到 mask 区域的彩色像素，从而获取背景填补（填充修补）结果，很好的解决了视角固定下前景遮挡背景导致的背景像素缺失问题。

全景视图填补技术

填补结果的细节（左）及对应的深度膨胀结果（右）（上图中：电视机下的书架处）

自由视点漫游绘制：

当获取全景视图、全景视图对应深度视图、背景填补视图、以及背景填补视图对应深度视图后，我们就可以按自由视点漫游的方式，绘制得到六自由度的全景视频。我们的绘制流程如下：

绘制流程

在本文的方法中，用户可选取自由视点，即可改变视点三维位置及视线的三维朝向，绘制得到具备六自由度的全景视频。我们的优点是我们可以绘制得到无拉伸变形的高质量结果，并且该结果具备运动视差（ motion parallax ），这是因为我们在全景视图中加入计算了深度信息；另外，我们估计并预先生成了背景缺失部分的填补像素（ RGB+D ），可以很好的填补空洞，弥补采集数据的不足，最终达到低成本、高质量的六自由度全景视频。

整体解决方案：

本文介绍的六自由度全景视频解决方案，包含全景图（ RGB+D ）采集设备，算法 SDK （后续可灵活部署为云服务）：全景视图拼接、全景视图估计深度、背景填补模型，以及可以进行自由视点漫游绘制的用户端播放器。

我们的整体解决方案可以用于各项 VR/AR 及各类型 6DoF 视频（包含：子弹时间、自由视点视频等）。特别的，我们的方案采用端-云结合的计算框架（下图），首先在云端存储六自由度全景视频相关数据，客户/用户端在播放器发起观看参数的交互修改，并更新计算自由漫游视点的绘制参数，上传该绘制参数到云端进行全景视频的绘制，并下发当前的高清绘制结果到用户处的播放端显示。

端-云结合的计算框架，可以让我们利用云端的计算设备（如 GPU ），高效地绘制 10K-16K 分辨率的全景视频数据（ RGB+D ），获取高分辨绘制结果（ 1K-2K ）后，可下发至用户处客户端。该框架可以有效的结合端-云的优势，得到低延迟高质量的六自由度全景视频。

端-云结合的计算框架

总结：

本文所介绍的六自由度全景视频非常的先进，结合深度学习技术，可以低成本的生成传统全景视频对应的深度视频，并且高质量的填补被前景遮挡的背景像素（ RGB+D ），从而在自由视点的漫游过程中，生成无变形拉伸，且具备运动视差的六自由度视频。而且本文的解决方案，包含自研硬件采集设备以及端-云结合的计算框架，可以在实际应用中，低延迟生成高清结果，用于 VR/AR 及下一代 6DoF 视频中。