為了捕捉完整的空間視頻，已經創造了許多瘋狂的多攝像頭設備。 我記得在Meta的一次對話，基本上是「我們將儘可能依賴經典的幾何計算機視覺，然後再考慮機器學習算法」，我對這個方向表示支持。那是很多年前，當時機器學習仍然感覺像是不可預測的煉金術，當然你希望最大化利用真實數據！ 在相機校準、同步和數據處理方面投入了大量的工程努力，但它從未真正實現願景。無論你有多少個攝像頭，任何複雜的移動物體都會有被遮擋的區域，而「現實中的空洞」在不在攝像頭點的觀眾眼中顯得格外明顯。 即使在良好的可見性下，多攝像頭攝影測量中的模糊性也使得事情不如你所希望的那樣精確。還有一些實驗是看看如何利用離線計算從Quest攝像頭生成更好的3D場景重建，答案仍然是「不是很好」，表面相當粗糙。許多3D重建在手機的動態信息流中看起來很驚艷，但在完全沉浸式的VR渲染中放大，與高質量的傳統照片對比時就顯得不那麼好。 你真的需要強大的先驗知識來推動擬合問題並填補覆蓋空白。對於建築場景，你可以從簡單的平面先驗中獲得一些收益，但現代生成性AI是終極的先驗。 即使這些瘋狂的攝像頭設備完全實現了承諾，它們仍然無法促進良好的內容生態系統。如果每個創作者都需要一台RED數字電影相機，YouTube就不會成功。 Quest Instagram中的（相當不錯的！）立體3D照片生成是通往未來的一小步。通往立體視頻和6DOF靜態視頻的路徑，然後最終到6DOF視頻。 讓一切都沉浸式，然後允許對沉浸感媒體進行定制調優。