UC Berkeley用3D从2D技巧，只精修占用空间，大幅降低成本

从单张小的2D图像推断物体的3D形状对计算机来说真正困难，但也很有用：它可以用于AR和VR中的物体追踪及创意工作流。障碍是计算量。一张100x100像素图像映射到100立方的体积中的100万个体素，增大到128像素需要约200万个体素，每个体素都要通过分析原始图像来分类为空白或占用。

直接方法是计算整个高分辨率体积，其成本阻碍了从2D图像外推3D形状。伯克利人工智能研究实验室的研究员Christian Häne意识到，完整体积从未真正必要：目标只是描述物体表面，周围和内部的空白空间无关紧要。

他的系统从非常低分辨率的3D重建开始，这已经显示例如体积外部三分之一是空的，这部分被丢弃。然后它以更高分辨率渲染保留的区域，找出下一层空区域并丢弃，重复此过程。经过几次迭代后，系统得到高空间分辨率的体积，而计算量相对较小，因为它只计算已知包含有意义信息的部分。

以这种方式构建的模型与传统方法生成的模型比较，通常显得同样好或更好，且计算量少得多，论文中有更多示例。TechCrunch的报道对局限性谨慎：这远非完整解决方案，人类仍胜过几个数量级，但此方法类似于人类视觉丢弃它认为多余的数据。

先渲染一个粗糙的体积，丢弃空区域，然后只精修剩余的。

粗略一轮几乎没有成本，但能可靠地显示大片空区域，因此大多数体素在高分辨率计算前已被消除。

空白区域主导包围体积，因此集中计算保留区域将昂贵的工作精确指向结构存在的地方。

质量不会下降，因为每次精炼只重新渲染先前粗略一轮显示非空的部分，将错误留在算法持续工作的区域。

该技巧将一个不可承受的全体积问题转变为多个廉价的子问题，因此成本随所描述的表面缩放，而不是整个盒子。

当解决方案大部分是空白时，先做廉价粗略一轮，丢弃不可能重要的部分，并将昂贵的计算只用于幸存的部分。

论文和伯克利AI研究博客文章于2017年8月发布，TechCrunch的报道称这一解决方案计算上巧妙且简单到拍额头，引发了161点的Hacker News讨论。报告的比较发现，分层模型与传统全体积重建相当或更好，且计算量少得多。报道称之为变通方法，而非完成答案：人类在单张图像3D推断上仍超出几个数量级，该方法借用大脑丢弃多余数据的习惯。