Наткнулся на рекламу сайта продажи авто в телеграме. Зашёл на сайт из любопытства, потыкал объявления и наткнулся на фичу — «3D-панорама». Зажимаешь, ведёшь пальцем, машина поворачивается перед тобой.
Визуализация работы фичи
Покрутил её со всех сторон и поймал мысль: под капотом это карусель из фотографий, снятых по кругу. Машину видно со всех боков, но плоско. Угол, которого нет в кадре, не подсмотришь. Своей траекторией не облетишь. Это слайд-шоу, прикинувшееся объёмом.
А под такую съёмку — объект, отснятый по кольцу — есть инструмент, который вытащит из неё честную 3D-модель. Gaussian Splatting. Скармливаешь кадры с орбиты, он восстанавливает геометрию и расцветку сцены облаком гауссиан, и дальше камера летает где угодно: ближе, дальше, под любым углом, по своей дуге. Я взял одну машину с и прогнал через 3DGS — проверить, насколько «лучше» выйдет их плоской панорамы.
Хочу сказать сразу, что в этой статье не будет точных описаний всех алгоритмов, статья будет сугубо демонстративная. В будущем надеюсь раскрыть все детали подробнее.
Вот исходник — кадры, склеенные в карусель:
А вот что получилось у меня — гауссианы, свободный облёт по кольцу:
Разница в том, что первое — набор картинок, а второе — геометрия, которую можно показать с ракурса, которого в съёмке не было.
Что внутри панорамы
Под «3D-панорамой» лежит набор обычных jpg. Для одной машины — ~100 кадров, снятых по кругу, шириной 1200 пикселей. Драг пальцем перематывает их, как флипбук. Глубины нет, модели нет — листалка кадров с фиксированной орбиты.
Как я скачал кадры — не тема этой статьи. Важно одно: панорама лежит как папка картинок, а номер машины сервис закрывает своим вотермарком, так что с приватностью разбираться не пришлось.
Сама съёмка — подарок. Камера обошла машину по кольцу, кадры плотные и равномерные. Под такой сценарий и заточены фотограмметрия с Gaussian Splatting: дай им объект, отснятый с разных сторон, и они соберут сцену в объёме. Обычно ради этих кадров ходишь вокруг предмета сам с телефоном, а тут уже походили за меня.
Чего в панораме нет — координат камеры. Чтобы собрать 3D, мне нужно знать, откуда снят каждый кадр: положение и поворот камеры. В съёмке этого нет, есть только картинки в порядке обхода. Восстановление поз — первая задача, которую пришлось решить.
Gaussian Splatting за пять минут
Сцену в 3DGS описывает облако крошечных трёхмерных «клякс» — гауссианов. Каждый это мягкий эллипсоид: у него есть положение в пространстве, размер и ориентация (насколько и куда вытянут), цвет и прозрачность. Миллион таких клякс вместе приближает поверхности и цвета сцены, как мазки полупрозрачной краски, развешанные в воздухе.
Рендер работает так: каждый эллипсоид проецируется на экран (это и есть splat — размазать), кляксы сортируются по глубине и смешиваются от ближних к дальним. Вся операция дифференцируема. Значит, можно замерить, насколько рендер расходится с реальной фотографией, и подтолкнуть параметры каждого гауссиана в сторону, которая уменьшает ошибку.
Обучение крутит этот цикл. Стартуешь с грубого облака точек. Из каждой известной позы камеры рендеришь текущие гауссианы, сравниваешь с настоящим кадром из той же позы, прогоняешь ошибку по пикселям обратно в положения, цвета и формы клякс. По ходу дела алгоритм клонирует гауссианы там, где не хватает детали, и выбрасывает бесполезные. Через несколько тысяч шагов облако сходится с фотографиями со всех тренировочных ракурсов — и держится на углах между ними.
Почему не меш и не NeRF. Восстановление меша спотыкается на тонких и блестящих вещах: автомобильная краска и стекло превращают его в кашу. NeRF даёт отличное качество, но рендерит медленно — на каждый луч запрос к нейросети. 3DGS рисует в реальном времени (растеризация клякс, без сети на пиксель) и обучается за минуты, оставаясь фотореалистичным. Для «крутить машину в браузере плавно и с любого угла» это попадание в точку.
Под нашу задачу вход почти идеальный: машина, отснятая по полному кольцу, — плотное равномерное покрытие одного объекта. Дай 3DGS такие кадры с позами и стартовое облако точек, и он соберёт модель, вокруг которой летаешь свободно. Ровно то, чего не умеет плоская панорама.
3DGS требует от меня двух вещей: каждый кадр с его позой камеры и то самое начальное облако. Панорама не даёт ни первого, ни второго напрямую. Следующая часть — про то, как я добыл и позы, и облако из голых кадров.
Чтобы посмотреть примеры обученных 3DGS моделей, можете зайти на сайт https://superspl.at/ - pinterest в мире 3DGS
Позы и облако точек
У меня 118 кадров одной машины, разложенных по кругу, и порядок обхода. Где стояла камера на каждом кадре — неизвестно. Без этого 3DGS не стартует: ему нужно знать точку и угол съёмки каждого кадра, иначе он не сошьёт пиксели в общую геометрию.
Классический ответ — COLMAP. Это Structure-from-Motion: программа находит общие точки между кадрами, по ним считает позы камер и заодно отдаёт разреженное облако. Метод рабочий, но медленный, и облако выходит дырявым — несколько тысяч точек на всю сцену. COLMAP основан на классических методах оптимизации поз камеры, которые потихоньку уходят на второй план.
С другой стороны, сейчас идет бурное развитие feed-forward методов для оценки карт глубин и поз (VGGT, DepthAnything3, VGGT-Ω). Кадры отдал в VGGT-Ω — нейросеть, которая за один прогон по набору картинок выдаёт позы камер и карту глубины для каждого кадра. 118 кадров она прожевала за шесть секунд на одной видеокарте. На выходе — поза каждой камеры и depth, плотный, на весь кадр.
Из этих глубин я собрал стартовое облако. Пиксель, его глубина и параметры камеры разворачиваются обратно в 3D-точку. Повторяешь для каждого кадра, выкидываешь точки, в которых модель не уверена, складываешь всё вместе. Вышло около 600 тысяч цветных точек — на два порядка гуще, чем дал бы COLMAP. С этой болванки 3DGS и начинает оптимизацию.
COLMAP в пайплайне остался, но в скромной роли — выпрямить кадры под единую модель камеры.
Когда всё сошлось, я проверил геометрию на вменяемость — куда встали камеры относительно облака. Они легли кольцом вокруг точечной массы машины. Можно учить гауссианы.
Учим гауссианы
Дальше пошла бы рутина 3DGS, если бы не одна засада. Кормишь алгоритму позы, кадры и стартовое облако — он крутит цикл оптимизации: рендер из каждой позы, сравнение с реальным кадром, поправка гауссианов. Тридцать тысяч шагов, семь минут на одной видеокарте, на выходе — обученное облако из сотен тысяч клякс.
Позы от VGGT хорошие, но не идеальные, и сама панорама — не математически ровный круг: машину обходили живой рукой, камера гуляла. Поэтому я использовал режим, где оптимизатор подкручивает не только гауссианы, но и сами позы камер по ходу обучения. Чуть точнее позы — заметно резче картинка.
Депсы от VGGT я пустил в дело дважды. Первый раз — на старте: из них собрано облако-болванка. Второй — внутри обучения, дополнительным сигналом, и вот зачем.
Одни фотографии говорят, как сцена выглядит, но не задают её настоящую форму. Под один и тот же набор кадров подходит масса разных 3D-сцен — особенно там, где пиксели бедны на детали: гладкая краска, стекло, блики. На таких местах фотометрический лосс почти ничего не подсказывает оптимизатору, и гауссианы расползаются не туда — висящие в воздухе «флоатеры», размазанная геометрия. Карта глубины фиксирует, на каком расстоянии лежит поверхность в каждом кадре. Оптимизатор подгоняет не только цвет, но и глубину, и форма выходит чище, без мусора между машиной и камерой.
Семь минут спустя у меня лежал обученный набор гауссианов — та самая 3D-модель машины, которую можно рендерить с любого угла.
Модель готова, остаётся показать её — снять плавный круговой облёт. У меня 118 обученных ракурсов, но видео из 118 кадров дёргается и ничем по смыслу не отличается от исходного ряда изображений. Между соседними позами я добавил промежуточные: повороты — сферическим SLERP, сдвиги — линейно, по восемь вставок на стык. Из 118 поз вышло 937 кадров на 30 fps, полминуты гладкого хода.
Результат
Первый прогон поехал, но машина то наезжает, то отъезжает. Панораму снимали с руки, и дистанция до машины по ходу обхода плавала, а интерполяция честно унаследовала эти качели. Я нашёл центр орбиты — точку, куда смотрят все камеры, как пересечение их лучей взгляда, — и насадил каждый кадр на сферу одного радиуса вокруг неё, с прицелом в центр. Машина встала на одном размере.
Планарный 360°-облёт восстановленной машины:
В сцене видны флоатеры (гауссианы в воздухе, не соответствующие геометрии) на одном сегменте - это связано с тем, что карты глубин на дальних объектах были неверны, но моя цель была получить 3д модель машины, и я кропал глубины дальних объектов. При более тщательной обработке глубин, можно снизить количество флоатеров.
Флоатеры
Что вышло и куда дальше
Из плоской листалки в браузере получилась 3D-модель, вокруг которой летаешь свободно — ближе, дальше, под углом, которого в исходной съёмке не было. Та самая разница между набором картинок и геометрией, с которой всё начиналось.
Честно про границы. Вместе с машиной восстановился и фон — асфальт, забор, чужие машины на парковке. восстановились неидеально из-за неточностей в глубине для дальних объектов, но ведь нас больше интересует сам автомобиль. Под чистую модель «только автомобиль» сюда просится сегментация: вырезать объект маской и учить гауссианы лишь на нём. Я этого пока не делал, оставил кадр как есть.
Весь путь от папки с кадрами до облёта складывается в короткую цепочку: достал кадры → VGGT дал позы и глубину → из глубины собрал стартовое облако → 3DGS с pose-opt и опорой по глубине обучил гауссианы → рендер свёл их в гладкое кольцо. Одна машина проходит конвейер за минуты на одной видеокарте.
И вот тут самое интересное на будущее. Конвейер не привязан к одной машине — он одинаково жуёт любую панораму.
Что докрутить дальше: дополнительные трики для улучшения качества гауссиан - работа с отражениями, блюром, глубинами; использование семантической маски для выделения машины и еще много всего.
Как я писал ранее, это мой первый пост. Однако, не последний. Есть множество тем, которые я описал вскользь, и о которых, надеюсь смогу рассказать в будущем.
Спасибо за внимание!