在AR/VR社交、娛樂等應用中，你常常需要先創(chuàng)建個性化的3D形象來代表自己，那么如果未來AR/VR發(fā)展到頭號玩家電影中那樣沉浸的樣子，那么創(chuàng)建一個外觀接近人類的3D虛擬形象則越來越關鍵。就目前來講，并沒有一個通用的3D人像掃描方案，大多數(shù)AR/VR場景可能需要你去容積捕捉工作室去創(chuàng)建自己的3D形象，成本較高因而難以普及。

為了解決這一問題，德國比勒費爾德大學、維爾茨堡大學和多特蒙德大學的科研人員研發(fā)了一種利用中端智能手機就能生成3D虛擬形象的技術，其特點是只需要約20分鐘即可完成掃描，可捕捉到鞋的細節(jié)、服裝的紋理、亮度、陰影。掃描出的虛擬形象支持骨骼綁定，面部也可以設置表情變化。

科研人員表示：AR/VR娛樂、社交、互動式場景對于虛擬人像的逼真度要求越來越高，包括外在細節(jié)、動作、行為，通常只能通過幾十顆攝像頭完成的人像捕捉任務，現(xiàn)在通過基于手機的低成本方案即可完成，效果也足夠優(yōu)秀。

據(jù)青亭網(wǎng)了解，該方案由兩部分組成，分別拍攝身體和頭部，拍攝一個人只需要12分鐘左右。通常，用手機進行3D建模的時候，會一次性對同一物體進行完整掃描和捕捉，德國科研人員的方案的不同之處在于，將頭部和身體分為兩個部分去拍攝，可捕捉到更多細節(jié)。

在捕捉頭部的過程中，拍攝者只需要用手機圍繞被拍攝者的頭部轉一圈拍攝，在捕捉身體的過程中，首先對包括頭部在內的上半身轉一圈拍攝，接著對下半身再拍攝一圈。

經(jīng)過對比實驗顯示，基于智能手機的方案3D捕捉接近48顆攝像頭容積捕捉的效果。此外，效果也比目前低成本的單目掃描方案更好。

細節(jié)方面，這組科研人員利用Google Pixel 3的4K分辨率/30Hz攝影模式來進行拍攝，該機型定價400美元，據(jù)稱市面上同樣支持4K拍攝的手機也能得到相似的效果。整個拍攝過程持續(xù)110秒，其中全身視頻捕捉需要80秒，頭部捕捉30秒。

在用手機拍攝后，算法可從拍攝的視頻中捕捉135個關鍵節(jié)點，包括25個全身節(jié)點（用來合成2D骨骼）、42個雙手勢節(jié)點、68個面部節(jié)點。通過多視角3D重建，以及從每一幀圖像實時分析光流、預測實時生成兩組密集的點云數(shù)據(jù)。通過攝影測量軟件Agisoft Metashape來處理并生成點云數(shù)據(jù)，然后結合bounding box，來優(yōu)化數(shù)據(jù)和算法。

由于通過手機攝像頭捕捉到的虛擬人像網(wǎng)格存在噪點、異常值、數(shù)據(jù)缺失等問題，于是科研人員將捕捉到的人體節(jié)點與預設的模板進行匹配，包括對其位置、方向、比例等參數(shù)，模板網(wǎng)格對識別到的網(wǎng)格進行調整，填補缺失的數(shù)據(jù)，以此來完成3D幾何網(wǎng)格的重建。

接著，科研人員對重建的3D網(wǎng)格進行紋理渲染，通過圖像分割和拼接方式來優(yōu)化紋理渲染的過程。據(jù)悉，圖像分割優(yōu)化減少紋理的數(shù)量，用大塊紋理去替代細碎的紋理。效果比Agisoft Metashape直接生成的紋理更清晰，細節(jié)更多。

整個過程耗時20分鐘，其中4分鐘進行3D捕捉，7分鐘處理和生成點云數(shù)據(jù)，2分鐘節(jié)點識別與模板匹配，7分鐘生成紋理。通過Faceware Studio（無標記3D面部動捕方案）和Unity Live插件，可以實時控制表情。也就是說，掃描出的3D人像可直接通過實時姿態(tài)和表情捕捉軟件來控制，應用在AR/VR社交場景中足夠方便。

在對比實驗中，科研人員對33人進行掃描，結果發(fā)現(xiàn)發(fā)現(xiàn)基于智能手機的方案3D捕捉接近48顆攝像頭容積捕捉的效。不過深色服裝難以被掃描，被掃描的人需要保持靜止，任何明顯的動作可能會影響掃描數(shù)據(jù)準確性，而且掃描眼鏡、頭發(fā)、飾品等物品也具有挑戰(zhàn)。

總之，在這個實驗中科研人員發(fā)現(xiàn)，對頭部的二次掃描可大幅提升面部建模的效果和細節(jié)，未來，還可以對手臂等其他部位單獨二次掃描，以提升掃描效果和準確性。

同時，3D重建的虛擬人輪廓需要匹配細致的紋理，以及適合的骨骼。市面上的方案成本較高，而本文中的這個3D掃描方案足夠低成本，使用方面，有望為虛擬形象和交互式媒體帶來更多應用。