成立近兩年來，工坊深挖3D視覺的各個領域，主要涉及計算機視覺與深度學習、點雲處理、SLAM、三維重建、結構光、雙目視覺、深度估計、3D檢測、自動駕駛、多傳感器融合等，在校的童鞋和已經工作的小夥伴為我們提出了很多非常有價值的問題，在這裡給大家做了匯總（可能有點燒腦哦……）
點雲處理篇
點雲補全有哪些常用的算法？常用的點雲分割算法有哪些？如何對點雲進行線面擬合？有哪些方式？點雲配準的常用方法有哪些？哪一種算法在速度和精度上佔優勢？點雲的特徵提取方式有哪些？有哪些描述子？基於深度學習的點雲分割算法有哪些？精度如何？常用的點雲分類算法有哪些？準確率如何？怎麼測量點雲的體積？如何測量點雲擬合平面的面積？您好，請問有有關3D點雲的缺陷檢測和點雲補全的資料嗎？想問下有沒有三維雷射雷達點雲配準拼接的代碼工程之類的？現在有沒有對於sfm或者slam之後得到的點雲進行補全處理的工作啊？你好，請問點雲表面重建有哪些方法呀？請問怎麼把點雲投影到一個以點雲平均點為圓心的球面上，然後再對球面進行三角網格化。請問一下，有沒有關於點雲增強方面的綜述性質的文章或者帖子呢？針對點雲增強這一點雲和深度圖怎麼轉換呢？請問如果想要為點雲圖中某個物體的邊界處的稀疏點雲進行加密，通俗一點說就是使物體邊界處的點雲更加稠密，有什麼相關的論文和方法嗎？點雲增強這個領域，除了點雲補全，還有哪些具體的方向呢？ ……
SLAM
請問現在比較新且效果較好的Visual SLAM /Visual+Inertial SLAM 算法有哪些呢？如果能支持雙目RGB或RGB-D的更好！請問怎麼用單目普通相機的slam來做三維重建呢，對比sfm改做何區別比較好？您好，我想問下視覺慣性vio非線性優化這塊，原理不是很懂，想知道他到底做了什麼事？大佬好，最近又遇到難題了。項目需求是有軌小車的障礙物檢測項目，需要檢測小車四周是否有障礙物，並輸出障礙物的距離值，距離值精度要求很低。目前的困難是相機視場角太小，怎樣才能做到類似全景檢測？請大佬給個思路，謝謝您。想請問下有沒有無人機三維建模的開源項目？……三維重建篇
基於圖像的三維重建中，由稀疏點雲獲得稠密點雲的原理和實現的技術方式都是什麼呢？可以用MATLAB做基於多視角圖片的三維重建嗎？就是用SFM+MVS。或者，老師有推薦的建模工具嗎？使用mvsnet做三維重建，在估計自採數據的深度範圍時，有合適的取值範圍參考嗎？近期，室內三維重建融合語義的開源方案有哪些？老師讓我做的課題是用給定視頻進行水下的場景重建。但是水下場景顏色比較單一，用colmap進行重建時候數據集中能用在重建的圖片較少，導致點雲相比實際有誤差。那這種情況下要怎麼對點雲進行矯正和漏洞補全呢？有近景攝影測量相關的公式推導嗎？比如前方交會，後方交會，相對定向等？我想請問一下在單目三維重建過程中，對投影儀的標定，一般用什麼來評價所用方法對投影儀標定精度的有效性？ ……
姿態估計篇
目前做物體6D姿態估計的網絡中，有沒有應用深度補全來提升精度以及提升遮擋下的識別效果的呢？如何自己製作6D位姿估計的深度學習的數據集？請問誰有論文A method for 6D pose estimateof free-form rigid objects using point pair features on range data 的復現代碼？請問有人有做過基於RGB-D的目標定位和位姿估計？現有基於RGB、RGBD、點雲數據的姿態估計算法都有哪些？深度學習方式的姿態估計算法有哪些？精度怎麼樣？可以應用到工業上嗎？PPF算法的改進點有哪些？有哪些改進算法？機器人視覺引導中的姿態識別思路是什麼？計算速度怎麼樣？ ……
結構光篇
為什麼有的格雷碼三維重建的方法需要投射水平和豎直條紋呢，而有的只需要豎直條紋呢？最近研究生導師讓我研究一下結構光編碼相關的內容，請問您在空間編碼和時序編碼這兩方面，重點是空間編碼這邊有什麼論文或資料推薦嘛？想請問一下在結構光單目三維重建中有沒有不標定投影儀而實現標定的，我目前的課題是由一個高速相機和一個投射光柵條紋的雷射器組成的系統，傳統逆向標定投影儀的方法不能使用，所以希望大佬們給一些標定上的建議。我使用的是格雷碼+相移編碼光柵，在經過解碼得到絕對相位後，怎麼計算得到深度圖？立體匹配，三維重建後發現類似摩爾紋的情況，請問這種情況怎麼處理？請問有關於線結構光傳感器標定的綜述論文可以推薦嗎？目前在做雙目結合結構光（格雷碼）的三維重建，該怎麼把格雷碼和雙目立體匹配融合呢？您好！想問一下這個結構光檢測缺陷時候，圖像和雷射點雲的關係是怎麼樣的，他和普通的基於圖像的檢測有什麼不同嗎？用雙目結構光多頻外差單視角重建出來的點雲有分層現象，是什麼原因呢？是深度方向解析度低嗎？剛開始學習雙目結構光，不是很清楚應該如何學習，有沒有什麼書籍視頻資料之類的希望能給推薦一下？ ……
雙目視覺篇
一直搞不懂，雙目拍得一組的兩幅圖像，提取特徵點、立體匹配、三維重建之後。這一組圖片結果與其他組圖片結果，用什麼方法融合在一起呀？請問有沒有什麼經典的雙目估計深度的文章可以推薦一下？雙目視覺，對於遮擋區域的視差估計或者遮擋區域的深度補全，有比較新的論文推薦嗎？有沒有雙目三維目標檢測的實戰算法？雙目視覺三維重建時，想要獲得點雲是左右視差圖都要用到嗎？雙目視覺的瓶頸在哪裡？如何改進？你好，最近看到一些基於深度學習方式的雙目重建，速度很快，這種方式有應用價值嗎？立體視覺的匹配速度有哪些改進的方式？ ……
深度估計篇
請問有沒有什麼經典的雙目估計深度的文章可以推薦一下？請問深度估計輸出的深度值，是點到相機平面的垂直距離，還是到相機鏡頭的距離？對於雙目深度估計任務端到端，非端到端模式區別在哪裡？有哪些自監督方式的單目深度估計算法？請問現在關於單目圖像深度估計比較領先的算法和開源工具有哪些？哪些算法在特徵點很少的圖像中表現比較更好？打算用無監督學習來做深度估計，但是數據集沒有真值，這樣做出來的結果怎麼做定量評估呢？有沒有除了真值以外的評價深度估計算法效果的方法呢？我想請問一下，現在基於深度學習的單目視覺估計能夠應用在工業實際項目中了？如何解決單目深度估計遠距離誤差大的問題？ ……
3D檢測篇
我想問一下有哪種比較好落地的3D目標檢測算法，最後實現的效果是能獲取目標的姿態估計這樣的效果基於Lidar點雲數據的3D檢測算法有哪些？基於雙目和單目的3D檢測算法有哪些？基於多模態數據融合的3D檢測算法有哪些？如何使用Radar和Camera融合數據進行3D檢測？ ……
自動駕駛與多傳感器融合篇
Lidar和Camera的標定方式和工具有哪些？Lidar和Radar的標定方式有哪些？多相機標定方式有哪些？Lidar和雙目相機標定融合的paper有推薦嗎？雷射雷達、Camera、毫米波雷達融合怎麼做融合？手眼標定方式有哪些？Laser和相機的標定方式？IMU、Camera的融合代碼有嗎？ ……
百篇綜述paper
雙目視覺的匹配算法綜述基於立體視覺深度估計的深度學習技術研究（綜述）單目圖像的深度圖估計：綜述機器視覺表面缺陷檢測綜述最新機器人抓取點檢測、物體6D姿態估計paper匯總：堆疊場景、遮擋場景、單目圖像、深度學習方式等基於視覺的機器人抓取，從目標定位、姿態估計、抓取檢測到運動規劃類綜述超詳細的3D Machine Learning教程：涉及數據集集合、三維模型、三維場景、三維姿態估計、單目標分類、多目標檢測、場景/對象語義分割、三維幾何合成/重建；A Review on Object PoseRecovery: from 3D Bounding Box Detectors to Full 6D Pose EstimatorsA Survey on Deep Learning forLocalization and Mapping:Towards the Age of Spatial Machine IntelligenceA survey of variational andCNN-based optical flow techniquesMultisensor data fusion: Areview of the state-of-the-artA Review of Data FusionTechniquesReview: deep learning on 3Dpoint clouds3D indoor scene modeling fromRGB-D data：a surveyAutomatic Target Recognition onSynthetic Aperture Radar Imagery: A SurveyEvent-based Vision: A SurveySelf-Driving Cars: A SurveyRGB-D Odometry and SLAM：基於RGB-D的視覺裡程計和SLAM綜述Image-based 3D Object Reconstruction:State-of-the-Art and Trends in the Deep Learning Era4Deep Learning for Image andPoint Cloud Fusion in Autonomous Driving: A ReviewA Survey of SimultaneousLocalization and Mapping with an Envision in 6G Wireless NetworksGraph-based SLAM: a surveyVisual simultaneouslocalization and mapping a surveyTopological simultaneouslocalization and mapping a surveyKalman Filter for Robot Vision:A SurveyTarget-less registration ofpoint clouds: A review【點雲無目標配準綜述】A Review of Point Cloud SemanticSegmentation#【基於點雲的語義分割綜述】 ……
「3D視覺從入門到精通」知識星球
超全的資料和答案獲取，請移步到「3D視覺從入門到精通」知識星球：一個超乾貨的3D視覺社區，目前已有近2000+的小夥伴加入學習，每天都有新知識分享。
什麼是知識星球？
知識星球是一個高度活躍的社區平臺，在這裡你可以和相同研究方向的小夥伴一起探討科研工作難題、交流最新領域進展、分享paper資料、發布高質量的求職就業信息，當然還可以侃侃而談，吐槽學習工作生活。
3D視覺從入門到精通知識星球
這是國內最大的3D視覺領域學習交流的社區平臺，目前已有近2000名活躍的成員，主要涉及3D視覺、CV&深度學習、SLAM、三維重建、點雲後處理、自動駕駛、CV入門、三維測量、缺陷檢測、視覺產品落地、視覺競賽、硬體選型、學術交流、求職交流等領域。星球內部匯集了眾多實戰問題（相信一定能幫你少走很多彎路），以及各個模塊的學習資料：論文、書籍、源碼、視頻等。
針對小白，星球推出了學習路線，能夠幫助新人逐漸進階學習，我們的vip群更是營造了良好的學術交流環境。
針對需要進階的童鞋，星球匯總了大量的前沿技術資源，相信這些內容一定能夠幫助到個人的成長發展。星球的成員組成星球匯集了國內外各個高校的研究生、博士生，包括但不限於清華大學、上海交通大學、華中科技大學、武漢大學、南京大學、北京理工大學、北京航空航天大學；以及國外留學的小夥伴，主要就讀於南加州大學、墨爾本大學、慕尼黑工業大學、亞琛工業大學等。除此之外，還有很多一線工作的算法工程師、開發人員，包括但不限於百度、曠視、華為、奧比中光、雲從、阿丘科技等。
星球的主要嘉賓
「3D視覺從入門到精通」知識星球是一個技術社區，在這裡你可以討論任何3D視覺相關的難題、前沿技術。星球邀請了國內外高校博士（北航、慕尼黑工業大學等）、CV獨角獸公司CTO/CEO、以及各大廠的算法工程師解惑。在這裡，你可以一對一和大佬交流，提出自己在工作學習上的疑問。
合作企業
知識星球現已和眾多公司建立了良好的合作關係，公司內的算法負責人會不定期的來內部進行前沿技術/產品分享，除此之外，星球也為公司推薦合格的算法/開發人才。現有合作企業包括但不限於：華為雲、騰訊、圖漾科技、鐳神智能、中科慧眼、INDEMIND、遷移科技、追勢科技等~
為什麼給大家推薦「3D視覺從入門到精通」知識星球呢？
下面先簡單以幾張圖片總結星球的主要內容：
往期乾貨展示：
二 視頻課程：
更多乾貨匯總：
隨著我們隊伍的不斷壯大，目前星球嘉賓及合伙人，主要包括多個大廠的計算機視覺算法工程師、深度學習算法工程師、結構光三維重建算法工程師、資深VSLAM算法工程師、3D視覺測量方向的點雲後處理資深算法工程師、標定算法工程師以及國內外知名高校博士等近20多位成員。星球主要關注3D視覺、vSLAM、三維重建、點雲處理、立體視覺、結構光、深度學習、計算機視覺和圖像處理等方向。日常分享各個領域的最新進展和經典論文，會員可以免費對嘉賓進行技術提問，完成一對一的指導解答，星球的初衷是讓更多的童鞋能夠儘快熟悉自己研究的3D視覺領域，少走一些彎路。
目前我們的星球嘉賓已經陸續為我們的星球成員帶去了線上課程，包括：基於深度學習物體抓取位置估計、相機標定的基本原理與經驗分享、基於點雲的三維物體表示與生成模型、聊聊目標檢測與秋招那些事兒、基於雷射雷達的感知與定位導航應用、圖像對齊算法、中科慧眼崔峰博士詳解深度相機原理及其應用、......後期會陸續針對星球裡的內容，進行進一步講解與指導。
同時，我們的星球更是入駐了多個企業的創始人及CTO，優秀的學員，我們將優先內推到企業。
「3D視覺從入門到精通」知識星球
星球是目前唯一以3D視覺系統化學習為主題的高質量知識星球，目前已經有近2000個小夥伴進入學習。主要有以下幾個亮點：
1、星主及合伙人共同答疑。星球的合伙人先後就職於國內知名研究機構、自動駕駛公司、海康研究院，主要研究方向為深度學習、目標檢測、語義分割、圖像處理、自動駕駛感知算法，同時也是CSDN博客專家。星主先後任職於國內知名研究院、知名大廠，一直致力於3D視覺算法、VSLAM算法的開發，涉及相機標定、手眼標定、結構光視覺、點雲後處理、編程優化等相關領域的研究。對於星球裡的提問，將由星球和合伙人協同作答，星球成員一起探討，直至得到最佳解。
2、技術介紹不枯燥、詳細且有趣。該系列以最基礎的知識開始介紹，單個帖子介紹一個具體的知識點，儘量做到圖文並茂，生動有趣，並將結合視頻課程，對3D視覺的每個重要技術細節一點點深挖。平時再忙沒關係，業餘時間可以反覆觀看。（從加入起，有效期一年，到期後，之前已發布內容仍可查看）。
3、技術內容重實踐、實操性強。筆者及合伙人會根據不同的知識點設計一些可實踐性的練習題，俗話說，實踐出真知，只有在實踐中獲得的認知才是最真切的，假以時日，高效提升解決問題的能力才是王道。
4、精選3D視覺項目常見問題。3D視覺理論到產品落地，這中間會涉及方方面面的細節問題，比如編程優化加速、相機硬體選型、編程工具等，這些是一個優秀開發者需要具備的綜合技能。筆者與合伙人會結合各自的項目經歷做定期分享，幫助大家提升綜合能力。
5、高質量的交流、討論、學習社區。星球內所有成員都可以進行發布問題、分享知識、上傳資源、點讚、留言、評論等操作。對於小夥伴提出的問題，我們大家皆可以參與交流、討論。所有的交流討論及問題、資源分享等，星主都將會定期整理，方便日後快速查詢。小夥伴們在學習或者項目中遇到問題都可以在星球裡免費提問，星主看到後及時答疑解惑。
尾注
1、 新進星球的同學請查看置頂帖子「內容快速導航」，儘早跟上節奏。我們將隔一段時間對星球裡的知識點和帖子進行整理，更新，所以大家務必請關注置頂帖子。
2、 本課程的優勢：
非常完善的3D視覺學習路線，逐步攻克3D視覺中的每個重要知識點。鑑於星球裡截止目前已經分享了近1500個帖子，涉及SLAM、三維重建、3D深度學習、多傳感器融合、雙目視覺、多視圖幾何、圖像處理、編程調試技巧、點雲後處理、針孔模型及魚眼鏡頭標定、讀書心得、項目實戰、招聘需求等，以後會不間斷增加其他知識點，減少知識盲區。對於擇業、研究方向選擇等問題，星球裡都可以免費提問，讓你進一步避免踩坑。知識星球需付費，越早越優惠。學習切忌單打獨鬥，一個優質的學習圈子助你快速入門、高效解決問題，少走彎路。只要每天不到幾毛錢，即可把握住時代的風口，與優秀的小夥伴一起交流、進步，為就業增添砝碼。
下面是星球內部交流討論部分截圖：
備註：加入星球後，可獲取星球獨家學習視頻。