該算法在數(shù)據(jù)分析方面大大優(yōu)化，助力AR、VR等相關(guān)領(lǐng)域的發(fā)展。

近日，伯克利的AI研究人員發(fā)布新的算法，該算法根據(jù)物體的單幅二維圖像信息，就可以快速地將其三維結(jié)構(gòu)構(gòu)造出來。

雖然對于人類而言，根據(jù)物體的單面信息推測出東西的整體形狀很容易做到，但是對于機器而言，這一過程十分艱難，因為增加一個維度意味著要增加大量的數(shù)據(jù)。

具體來看，當你拍一張照片，每一邊的像素點數(shù)是100，那這張圖像的像素點數(shù)一共就是一萬個。但是如果你想增加一個維度，也就是增加一邊，假設(shè)增加的新邊像素點數(shù)仍然是100，那整體像素點數(shù)將增加一百倍。如果稍微追求精度，單邊像素選用128，整體像素點將增加兩百倍。不言而喻，數(shù)據(jù)量的增加是成數(shù)量級的。

同時為了確保不失真，圖像的每一個像素點及像素點之間的關(guān)系都要計算分析，如果想要高精度，那計算量就將十分巨大。

對此很多研究人員都以提升硬件處理速度來彌補算法運行數(shù)據(jù)量巨大這一不足，但運行速度依然十分之慢，不過伯克利人工智能實驗室的Christian Häne卻指出，事實上，我們不是在計算和重建100x100x100的整體，而只是描述一個對象的表面，至于表面以外或以內(nèi)的空間，我們都可以不用管。

所以，首先他以很低的分辨率對2D圖像進行3D重建，接著拋去表面以外的數(shù)據(jù)部分，對保留的區(qū)域進行更高分辨率的渲染，以此循環(huán)重復，從而以較高速率和精度實現(xiàn)了對物體3D空間的重構(gòu)。

筆者認為，這一定不是最佳解決方案，但是Christian Häne對數(shù)據(jù)的篩選方法上的改進是對算法本身很好的一次優(yōu)化，提升了計算機處理的速度和精度，有助于AR和VR中更迅速和精準的對象跟蹤。

最后，記得關(guān)注微信公眾號：鎂客網(wǎng)（im2maker），更多干貨在等你！