点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

作者丨黄浴

来源丨 计算机视觉深度学习和自动驾驶

arXiv上传于2022年6月8日的论文“Learning Ego 3D Representation as Ray Tracing“，是复旦大学张力教授团队的工作。

自动驾驶感知模型旨在将多个摄像头的3D语义表征集中提取到自车的BEV坐标系中，为下游规划器奠定基础。现有的感知方法通常依赖于对整个场景进行易出错的深度估计，或者在没有目标几何结构的情况下学习稀疏的虚拟3D表征，这两种方法在性能和/或能力上仍然有限。

本文提出一种端到端架构，Ego3RT，用于从任意数量无约束摄像头视图学习自3D表征。受光线追踪（ray-tracing）原理的启发，设计一个“想象眼（imaginary eye）”的极化网格作为可学习的自3D表征，并结合“3D到2D投影”，利用自适应注意机制制定了这个学习过程。

关键的是，该公式允许从2D图像提取丰富的3D表征，无需任何深度监督信号，并且具有与BEV一致的嵌入几何结构。尽管具有简单性和多功能性，但标准BEV视觉任务（例如，基于摄像机的3D目标检测和BEV分割）的大量实验表明，该模型在多任务学习的计算效率方面具有额外优势。

如图所示是自3D表征学习（Ego3RT）的示意图：BEV、多摄像头输入和3D目标检测

代码链接：https://fudan-zvg.github.io/Ego3RT

以图像为输入，现有视觉模型通常要么忽略（例如，图像分类）、要么直接消费（例如，目标检测，图像分割）结果预测期间输入的坐标框架。

尽管如此，这种范式并不符合自动驾驶“开箱即用（out-of-the-box）”的感知环境，其中输入源是多个摄像机，每个摄像机都有一个特定的坐标系，与所有输入帧完全不同，下游任务的感知模型（例如，3D目标检测、车道分割）需要在自车坐标系中进行预测。

也就是说，自动驾驶的感知模型需要从多视图图像的2D视觉表示中推理3 D语义，这是一个非常复杂且极具挑战性的问题。

如图所示，大多数方法采取以下两种策略：

（a）显示第一种策略（例如LSS和CaDDN）依赖于像素级深度估计，用于将2D视觉表示投影到自车坐标系，以及内外参的投影。通常，深度预测在模型内进行端到端学习，无需监督，或有额外的3D监督。这些方法的一个缺点是，无约束场景中的深度估计通常容易出错，这将进一步传播到后续组件。这也称为误差传播问题，这在很大程度上是此类流水线不可避免的。

为了解决上述问题，第二种策略（例如Image2Map、OFT、DETR3D）通过架构创新从2D图像直接学习3D表示来消除深度维度。这种方法已证明优于基于深度估计的对应方法，这意味着学习3D表示是一种优越的一般策略。特别是，Image2Map和PON利用Transformer或FC层向前学习从2D图像帧到BEV坐标帧的投影。然而，如（b）所示，3D表示在结构上与2D的对应不一致，因为无法利用严格的内外参投影，即坐标系之间没有明确的一一对应关系，因此产生次优解。受基于图像的目标检测模型的启发，最近最先进的DETR3D制定了一个带有Transformer模型的3D表征学习模型。然而，其3D表征不仅稀疏，而且虚拟，在没有明确涉及自车坐标系几何结构的意义上。因此无法执行密集的预测任务，例如分割。

本文方法属于第三种策略（c）从BEV几何中专门设计的“假想眼”中回溯2D信息。整个方法架构可以分为两个部分（1）自车3D表示学习（Ego3RT）和（2）下游任务头。如下图所示：

Ego3RT由两部分组成：图像特征提取和回溯（back tracing）解码器。为了清楚地说明回溯解码器，首先介绍“假想眼“、3D回溯到2D机制和多视图多尺度自适应注意机制。

下面详细说明Ego3RT如何从2D学习3D表示。为了避免穷举像素级预测和不一致的坐标投影，通过光线跟踪对回溯思想进行模拟。

首先引入密集“假想眼”的极化网格（polarized grid），用于BEV表示，每只眼自然占据具有内置深度信息的特定几何位置。眼睛的网格大小为R×S，其中R是每个极射线的眼睛数，S是极射线数。为了构造或“渲染”BEV表示，这些假想眼按照上述3D-2D投影程序向后发送射线到2D视觉表征。由于每只眼睛只占据一个固定的几何位置，局部观测的限制使相应的2D位置回溯信息较少。为了解决这个问题，鼓励眼睛环视周围，跨每张图像多尺度和多摄像机视图，自适应地聚焦关键的特征点。这导致一个多视图多尺度自适应注意模块（MVAA）。最后，这些假想眼的特征将是最终的3D表示。

”假想眼“示意如图所示：金球代表密集的“假想眼”的极化网格；特别是，对于有多个可见图像（例如eye3）的眼睛，会回溯多个图像，而只有单个可见图像（例如eye1）的眼睛会回溯单个图像；图像上从浅蓝色到深蓝色的蓝点显示了眼睛的重要程度，从而促进自适应性注意。

为了说明回溯机制，首先说明3D和2D之间的坐标变换。在典型情况下，通常有一个激光雷达坐标（3D）、Nview个摄像机坐标（3D）和Nview个图像坐标（2D）。首先，将校正的激光雷达坐标3D点xlidar转换为校正的摄像头坐标xcam，并用外参给定的矩阵Mex。接下来，通过以下公式将xcam投影到图像平面点ximg：

总之，通过投影矩阵M=MinMex将3D点xlidar投影到图像点ximg。如果0<u，v<1，则这3D点将投影到图像内，否则投影到图像外。如果ximg在图像内，称该图像对相应的点xlidar可见。在该方法中，鼓励假想眼在每个图像坐标中“注视”其2D投影点周围。将第q个眼睛的可见图像集表示为Iq。

MVAA是将2D表示转换为3D的核心。在自适应自注意检测框架中对这些假想眼进行学习。这是基于将眼睛视为目标查询的思想，记作y。让 r 记作眼睛在自车坐标中的位置。形式上，每只眼睛（即查询）将在2D图像表示的每个尺度上动态选择Npoint个特征点。然后，MVAA从中选择最重要的特征点，并跨多个尺度和视图将其融合到所需的3D表示中。该过程可以表示为

向量yq是第q个查询(eye)，rq是其位置，Nh是头的数，M(t)是投影矩阵。A和∆r通过可学习参数被yq制约：

其中

为了避免这些Npoint个特征点塌陷为一个点，用| bq[·，·，·，k]|=k初始化bq，因此Npoint越多，这些特征点的偏移量越大。因此，参数Npoint可以用来控制感受野。φ（x，r）表示通过索引从x访问第r个特征点。为了自适应地将重要性分配给Nscale×| Iq |×Npoint点，在所有参与的特征点、尺度和视图上应用Softmax函数：

从技术上讲，回溯解码器随机提取假想眼的初始化特征和图像特征提取器的2D特征尺度作为输入，最后输出假想眼的细粒度特征作为3D表征。回溯解码器由一堆注意层组成，这些注意层改自transformer解码器层。每层按顺序堆叠两个自注意模块和一个交叉注意模块：可变形注意模块、极注意模块和MVAA。

与自注意相比，变形注意的记忆效率更高。在3D表征上，对相同极射线的一组眼睛应用标准自注意做极注意。此外，前馈网络（FFN）块配备了逐深度（depth-wise）卷积。MVAA负责将2D特征回溯到3D表征中。

下面是下游任务的头设计：

• 下游任务中在处理假想眼的特征之前，首先将极化特征网格化采样到矩形自车坐标系中，匹配数据集标注。

• 为了对多任务的3D表征进行编码，采用来自OFT的相同BEV编码器模块。这种子网络也广泛用于基于激光雷达的3D检测器。

• 检测头旨在预测目标在3D空间的位置、尺寸和方向，以及目标类别。虽然已经生成了密集的BEV特征，在检测任务中采用流行的CenterPoint中的3D检测头，无需任何修改。

• 对于BEV分割任务，选择一组基于渐进上采样卷积的语义分割解码器头，来处理地图中的不同元素。从技术上讲，1×1 Conv层、具有ReLU的BN层和双线性上采样卷积层共同构成一个上采样模块。用于预测不同地图元素的解码器头在BEV编码器之后使用精确的BEV特征。

实验结果如下：

本文仅做学术分享，如有侵权，请联系删文。

3D视觉工坊精品课程官网：3dcver.com

1.面向自动驾驶领域的多传感器数据融合技术

2.面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态+多模态/数据+代码)
3.彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进
4.国内首个面向工业级实战的点云处理课程
5.激光-视觉-IMU-GPS融合SLAM算法梳理和代码讲解
6.彻底搞懂视觉-惯性SLAM：基于VINS-Fusion正式开课啦
7.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化
8.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)

9.从零搭建一套结构光3D重建系统[理论+源码+实践]

10.单目深度估计方法：算法梳理与代码实现

11.自动驾驶中的深度学习模型部署实战

12.相机模型与标定(单目+双目+鱼眼）

13.重磅！四旋翼飞行器：算法与实战

14.ROS2从入门到精通：理论与实战

15.国内首个3D缺陷检测教程：理论、源码与实战

16.基于Open3D的点云处理入门与实战教程

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、激光/视觉SLAM、自动驾驶等）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近4000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

圈里有高质量教程资料、答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~