4:3，梅西回家了；2:1，c羅也回家了，這屆世界盃真是激烈又精彩。
但對於無法前往現場的（偽）球迷們，只能屈身於手機、電視的平面看直播了吧？
在新技術應用乙個接乙個的今天，到底有沒有更新、更技術的方式，重新定義一下看個球？
試想一下：如果可以通過ar裝置，將賽況實時投到桌面上，並且隨你移動，還能盡覽不同視角、不同距離的全場景球況，該是多麼過癮的一種選擇。
噫……這是把世界盃搬到了任意桌面了麼？而且還能各個角度繞著球場看比賽——就算身在現場也做不到啊！
恭喜你，這種「上帝視角」，可能不久就能實現了。
擁有了這個系統，感覺宛如擁有了整個球場，這到底是怎麼做到的？
3d轉換的秘笈
桌面看球的大思路其實很簡單。
只要充分利用球場部署的多角度相機，之後通過多視角幾何技術，對場地和玩家進行三維重建，2d世界盃就公升級為3d場景了。
因此，研究人員提出了這樣的思路——
思路沒錯，但緊接著問題就來了：
想訓練神經網路模型根據球員影象來估計他的景深圖，最理想的資料集裡，應該包含著一對對的球員**vs.景深圖。
這樣的資料集上哪找？
機智。現在資料完備，就差個能夠**景深的神經網路了。
研究人員選取了「沙漏網路模型」，用一連串殘差模組，像乙個個沙漏一樣來處理輸入，經過8個「沙漏模組」實施降低輸入的解析度、放大等步驟，輸出的，就是我們所需要的景深圖。
重建3d球賽，go!
準備階段完成後，研究人員開始重建3d場景。整個流程一氣呵成，猶如進入了快餐店後廚——
大概分為以下幾步：
1.相機位置估計：用乙個合成的平面場模板預估真實場景中每幀的引數，進一步找到相機在每個連續幀中的姿態。
2.球員檢測和追蹤：提取球員的邊界box檢測到的關鍵點/骨架，基於姿態資訊對初始的邊界框進行細化，再根據提取的邊框序列預計球員的運動軌跡。
3.實時例項分割：預估每個球員用於深度預估網路的分割掩碼，借助語義分割和前一步的姿態估計。
5.形成3d軌跡：減少相機位置和邊界框定位時不精確帶來的球員抖動，對3d球員軌跡進行平滑處理。
一連串操作至此，3d合成大功告成。
渲染後得到最後的效果圖：
毫無疑問，這種方法可以得到更精確和完整的深度估計，重建的效果也最好。
美中不足
雖然場景不錯，但這項技術目前並不完善，還不能讓你隨心暢看。
bug 其實很明顯，剛在**效果的時候，各位有沒有看見足球？
——冇。
沒錯，目前這套系統最大的問題就是還沒有對足球進行處理，球的軌跡無法渲染出來，場上一票球員如同在踢「空氣球」。
此外，系統對球員及守門員的（位置）把控不夠準確，被遮擋的球員顯示不完整。這就導致球員有時球員會突然消失，然後突然出現，猶如習得傳送**。
改善畫面重建的品質
實現實時3d重建
預估足球的位置
讓這項技術也能用於其他運動，讓籃球、橄欖球、排球等等運動的球迷也能同此待遇。
華盛頓大學出品
這項研究的**soccer on your tabletop發表在cvpr 2018上，作者有四，均屬於華盛頓大學（張亞勤母校）的grail lab實驗室，分別為konstantinos rematas、ira kemelmacher-shlizerman、brian curless和steve seitz.
△ 一作konstantinos rematas
如果覺得這項研究和你胃口，可移步傳送門深入挖掘。
我不和你看球
歐洲已經如火如荼的進行了第乙個週期的8場比賽，除了法國與羅馬尼亞的比賽很讓人鬱悶之外，其他的場次都還是值得一看的。其中最精彩最蕩氣迴腸當然應屬義大利對荷蘭的比賽。原本是打算去球吧看比賽的，後來因為某些原因而該在宿舍獨自看球賽了.論看球的話同伴是很重要的，若能找到幾個志同道合的朋友一起看那真是一件爽事...
產品經理如何開啟上帝視角？
昨天一位訂閱使用者發來私信說讀了 在做了n年產品後，我悟出了這乙個道理 一文，能否分享幾本你看過並且值得推薦的相關的書？我猜這位朋友是想找書單，又僅僅是書單，更準確的說是想如何 得到 做產品所需要的 大視野 於是我回覆說具體的書目並不重要，因為每一本書都是集中於具體某一領域的，而做產品是需要大視野的...
上帝的視角 審視軍民融合無人機技術
隨著無人機應用領域的不斷擴大，市場需求逐漸提公升，公眾對於無人機的關注度也與日俱增。從無人機研發最初的軍事化用途，經過近乙個世紀的發展，現已在工業 民用等領域多有涉及。去年年底，國家工業和資訊化部發布 促進新一代人工智慧產業發展三年行動計畫 將包括智慧型無人機在內的八大類人工智慧產品作為重點培育方向...