我，开发者，在元宇宙里有一行自己的代码！

点击上方“慧天地”关注我们

文章转载自微信公众号新智元，版权归原作者及刊载媒体所有。

【导读】随着元宇宙热潮兴起，扩展现实领域也蓬勃发展。但对研究者而言，想要上手研究扩展现实领域，还需要耗费不少时间、精力去解决繁琐的环境配置、不同代码库的底层规范以及代码库之间串接的问题。

当前，无论学术界还是工业界，扩展现实领域有非常丰富的算法研究方向，并有许多算法得到好评。

然而由于这一领域中，还没有像计算机视觉领域一样建立完整的开源算法生态，且当前的每个算法库相对独立，同时也缺乏统一的底层基座。

图源：Arplanet

从0到1

为更好地解决上述问题，推动扩展现实领域算法更高效地研发、迭代和集成，上海人工智能实验室联合浙江大学、商汤科技共同于2022年9月1日在世界人工智能大会上，正式发布了OpenXRLab扩展现实开源平台。

OpenXRLab平台定位为一站式解决扩展现实领域算法需求的开源平台，目标和愿景是实现让扩展现实触手可及。

目前平台拥有三大优势：

第一，通过1个基础库提供统一的底层，同时支持C++和Python调用；

第二，提供了较为全面的算法覆盖，首次开源包含了3个应用平台共6大算法工具箱；

第三，代码库进行了模块化设计，易于单独使用，也方便串接起来联合使用。

平台官网：https://openxrlab.org.cn/

1+3平台架构

OpenXRlab开源平台可以进一步拆分为以下四个子平台，即1个基础平台和3个应用算法平台。

其中，XR基础平台为上层提供统一的接口，高效的计算，和便于部署的工具链。

而上层的3个应用算法平台专注不同的领域，又相互连接：

• XR空间计算平台使得我们对世界感知从平面更加走向空间；
• XR多模态人机交互平台可以成为我们和机器交互的工具；

• XR渲染生成平台使我们从感知和交互走向创作。

从整体上看，XR领域的底层有各式各样的传感器和不同的操作系统，上层有丰富的应用比如AR/VR、数字孪生、数字人等等，OpenXRLab致力于在底层的硬件和上层的操作系统间架起一座桥梁，供研究员方便迭代新的算法，供开发者快速搭建应用原型。

为此，团队对外开源了1个基础库和6个代码库，其中空间计算3个(XRSLAM, XRSfM, SRLocalization)，人机交互2个(XRMoCap, XRMoGen)，渲染生成1个(XRNeRF)。

并且空间计算的3个代码库还可以串接起来，是首个可以实现基于端云协同的大尺度移动实时6DoF定位和AR效果的开源平台。

下面，我们就来更具体地看一下每个代码库的定位和特点。

7个代码库

XRPrimer

项目地址：https://github.com/openxrlab/xrprimer

XRPrimer是为XR算法提供统一的数据结构和数据处理接口的库。XRPrimer的取名是为了致敬计算机同学们耳熟能详的经典基础书籍《C++ Primer》。

作为基础库，它外层提供统一的数据结构和算法接口，同时支持C/C++和 Python 的调用，内部提供通用的算法和高效的计算，提供扩展，方便外部贡献。

同时，底层的库安装是否方便决定了用户的上手难易度，团队也谨慎选择了XRPrimer的第三方依赖，支持不同平台源码编译，也搭建了配套基础设置提供部分平台预编译库，使得安装更加简单。

XRSLAM

项目地址：https://github.com/openxrlab/xrslam

XRSLAM是一个基于多传感器融合的SLAM开源项目，是OpenXRLab空间计算平台的核心技术模块之一。

XRSLAM目前提供了一个基于优化的鲁棒实时的轻量级视觉惯性里程计，同时支持桌面平台和移动平台。

和其他SOTA系统相比，XRSLAM在精度和效率方面都具备很强的竞争力，且非常容易上手使用。作为AR领域的基础设施，团队提供了在iPhone端可实时交互的移动端应用。

基于XRSfM预先构建好的三维几何地图，XRSLAM可以结合XRLocalization实现云-端结合的实时AR定位导航效果。

未来XRSLAM还会持续迭代更新，将会加上全局地图和后端优化形成一个完整的视觉惯性SLAM系统，并且考虑支持双/多目相机和RGB-D相机等更多类型的传感器。

XRSfM

项目地址：https://github.com/openxrlab/xrsfm

XRSfM是一个开源的Structure-from-Motion(运动恢复结构)的代码仓库，属于OpenXRLab空间计算平台。

XRSfM能够从影像数据中恢复场景的稀疏点云结构和图像的相机位姿，重建结果可以支持后续的场景定位和稠密重建。

XRSfM实现了基于共视的高效匹配方法[1]和基于关键帧的高效集束调整，相较于其他开源SOTA系统，其重建速度具有数量级优势，并且提供了基于人工标志物的尺度估计功能，能够恢复出场景的真实尺度。

XRLocalization

项目地址：https://github.com/openxrlab/xrlocalization

XRLocalization是一个基于高精地图的视觉定位工具箱，属于OpenXRLab空间计算平台。

XRLocalization采用模块化的设计，并提供了一套层次化视觉定位算法，使其能够在大尺度场景下实现高效、精准且鲁棒的定位。

该框架支持使用不同的特征检测、特征匹配和图像检索方法，以及离线和在线两种定位模式。

其中，局部特征目前支持SuperPoint[2]和D2Net[3]， 图像检索目前支持NetVLAD[4]，特征匹配目前支持最近邻搜索和GAM[5, 6]算法。

该项目将提供更多的基础模块算法以及更多的视觉定位pipeline，为学术研究和工业应用提供灵活的代码工具。

XRMoCap

项目地址：https://github.com/openxrlab/xrmocap

XRMoCap是一个多视角的动作捕捉工具箱，属于OpenXRLab多模态人机交互平台。

XRMoCap目前有3大特点：

第一，它同时支持了单人和多人的多目动作捕捉，可以支持大于2个视角的任意数量的标定后相机作为输入，并且提供了一系列高效选择相机和关键点的策略，其中单人工具箱由HuMMan[7]原作者添加。

第二，它同时支持输出3D关键点和人体参数化模型，3D关键点和人体参数化模型是当前人体的2种主流表示形式，也提供了它们互相转换和优化的算法。

第三，它将基于优化和基于学习的算法融入在统一的框架中，支持了MvPose[8], MvPose Tracking[9], MvP[10], 4D Association[11]等多个经典算法。用户可以通过修改配置文件，快速构建和测试一个多视角动作捕捉的算法原型。

XRMoGen

项目地址：https://github.com/openxrlab/xrmogen

XRMoGen是一个多模态人体动作生成的工具箱，属于OpenXRLab多模态人机交互平台。目前，该框架以音乐生成舞蹈为切入点，构建人体动作生成代码库。

XRMoGen的亮点有3个：

第一个是代码结构清晰，易读性高，提供了较为详细的使用文档。

第二个是框架容易上手。由于动作生成代码库相对比较繁杂，XRMoGen试图将不同算法的代码风格统一到一个框架下，实现对算法的抽象，达到用户易上手易扩展的目的。

第三个是复现了该领域的2个经典算法：DanceRevolution[12]和Bailando[13]。其中Bailando[13]由原作者添加，不仅效果与SOTA相当，代码结构也更加清晰易拓展。

XRNeRF

项目地址：https://github.com/openxrlab/xrnerf

XRNeRF是基于PyTorch的通用型模块化神经渲染框架，属于OpenXRLab渲染生成平台。

XRNeRF集成了4个面向场景和3个面向人体的NeRF前沿算法，其中场景算法包括NeRF[14], Mip-NeRF[15], KiloNeRF[16]和Instance-NGP[17]，人体算法包括NeuralBody[18], AnimNeRF[19]和GNR[20]，人体算法均为原作者支持开发。

针对当前开源NeRF代码库线性流程、模块化程度低、二次开发难度大的问题，XRNeRF具有如下特点：模块化程度高、标准的数据处理管线、模块化的网络构建方法。

仅需要修改配置文件，就可以完成对数据处理管线和网络构建的修改，支持高便捷性地实现新算法搭建。

除了易于使用和拓展的模块化设计，XRNeRF在所有复现算法上，平均指标与官方代码库对齐，可视化效果也与源代码库对齐。

从1到N

XR的各种硬件正在高速发展，新算法也层出不穷。对算法的研究者和开发者来说，保持高度热度的同时，未来还有大量的工作需要完成。

OpenXRLab的开源只是迈出了一小步，这个领域的发展道阻且长。非常欢迎更多有热情的社区小伙伴加入进来，一同成为这个方向的贡献者！

团队表示，欢迎任何形式的贡献，可以在wishlist中添加想要复现的算法，可以在issue中报告问题，也可以PR提交修改，甚至还可以加入他们。

当XR真正走进千家万户时，团队希望里面能有他们的一行代码。

代码库地址：https://github.com/openxrlab

后续，团队也将接连推出各个代码库更加详细的设计介绍和使用教程。

参考文献：

[1] Ye, Z., Zhang, G., & Bao, H. (2020, May). Efficient covisibility-based image matching for large-scale SfM. In 2020 IEEE International Conference on Robotics and Automation (ICRA) (pp. 8616-8622). IEEE.

[2] DeTone, D., Malisiewicz, T., & Rabinovich, A. (2018). Superpoint: Self-supervised interest point detection and description. In Proceedings of the IEEE conference on computer vision and pattern recognition workshops (pp. 224-236).

[3] Dusmanu, M., Rocco, I., Pajdla, T., Pollefeys, M., Sivic, J., Torii, A., & Sattler, T. (2019). D2-net: A trainable CNN for joint detection and description of local features. arXiv preprint arXiv:1905.03561.

[4] Arandjelovic, R., Gronat, P., Torii, A., Pajdla, T., & Sivic, J. (2016). NetVLAD: CNN architecture for weakly supervised place recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 5297-5307).

[5] Yu, H., Ye, W., Feng, Y., Bao, H., & Zhang, G. (2020, November). Learning bipartite graph matching for robust visual localization. In 2020 IEEE International Symposium on Mixed and Augmented Reality (ISMAR) (pp. 146-155). IEEE.

[6] Yu, H., Feng, Y., Ye, W., Jiang, M., Bao, H., & Zhang, G (2022). Improving feature-based visual localization by geometry-aided matching. ArXiv preprint arXiv:2211.08712.

[7] Cai, Z., Ren, D., Zeng, A., Lin, Z., Yu, T., Wang, W., ... & Liu, Z. (2022). HuMMan: multi-modal 4D human dataset for versatile sensing and modeling. In European Conference on Computer Vision. Springer, Cham.

[8] Dong, J., Jiang, W., Huang, Q., Bao, H., & Zhou, X. (2019). Fast and robust multi-person 3D pose estimation from multiple views. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 7792-7801).

[9] Dong, J., Fang, Q., Jiang, W., Yang, Y., Huang, Q., Bao, H., & Zhou, X. (2021). Fast and robust multi-person 3d pose estimation and tracking from multiple views. IEEE Transactions on Pattern Analysis and Machine Intelligence.

[10] Zhang, J., Cai, Y., Yan, S., & Feng, J. (2021). Direct multi-view multi-person 3d pose estimation. Advances in Neural Information Processing Systems, 34, 13153-13164.

[11] Zhang, Y., An, L., Yu, T., Li, X., Li, K., & Liu, Y. (2020). 4D association graph for realtime multi-person motion capture using multiple video cameras. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 1324-1333).

[12] Huang, R., Hu, H., Wu, W., Sawada, K., Zhang, M., & Jiang, D. (2020). Dance revolution: Long-term dance generation with music via curriculum learning. arXiv preprint arXiv:2006.06119.

[13] Siyao, L., Yu, W., Gu, T., Lin, C., Wang, Q., Qian, C., ... & Liu, Z. (2022). Bailando: 3D dance generation by actor-critic GPT with choreographic memory. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 11050-11059).

[14] Mildenhall, B., Srinivasan, P. P., Tancik, M., Barron, J. T., Ramamoorthi, R., & Ng, R. (2021). NeRF: Representing scenes as neural radiance fields for view synthesis. Communications of the ACM, 65(1), 99-106.

[15] Barron, J. T., Mildenhall, B., Tancik, M., Hedman, P., Martin-Brualla, R., & Srinivasan, P. P. (2021). Mip-NeRF: A multiscale representation for anti-aliasing neural radiance fields. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 5855-5864).

[16] Reiser, C., Peng, S., Liao, Y., & Geiger, A. (2021). Kilonerf: Speeding up neural radiance fields with thousands of tiny mlps. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 14335-14345).

[17] Müller, T., Evans, A., Schied, C., & Keller, A. (2022). Instant neural graphics primitives with a multiresolution hash encoding. arXiv preprint arXiv:2201.05989.

[18] Peng, S., Zhang, Y., Xu, Y., Wang, Q., Shuai, Q., Bao, H., & Zhou, X. (2021). Neural body: Implicit neural representations with structured latent codes for novel view synthesis of dynamic humans. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 9054-9063).

[19] Peng, S., Dong, J., Wang, Q., Zhang, S., Shuai, Q., Zhou, X., & Bao, H. (2021). Animatable neural radiance fields for modeling dynamic human bodies. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 14314-14323).

[20] Cheng, W., Xu, S., Piao, J., Qian, C., Wu, W., Lin, K. Y., & Li, H. (2022). Generalizable Neural Performer: Learning Robust Radiance Fields for Human Novel View Synthesis. arXiv preprint arXiv:2204.11798.

荐读

《慧天地》敬告

《慧天地》公众号聚焦国内外时空信息科技前沿、行业发展动态、跨界融合趋势，发现企业核心竞争力，传播测绘地理信息文化，为时空信息类相关专业学子提供日常学习、考研就业一站式服务，打造政产学研金服用精准对接的平台。

《慧天地》借鉴《读者》办刊理念，把时空信息领域的精华内容汇聚到平台上。我们高度重视版权，对于精选的每一篇推文，都会在文章开头显著注明出处，以表达对作者和推文引用平台版权的充分尊重和感谢；对于来源于网络作者不明的优质作品，转载时如出现侵权，请后台留言，我们会及时删除。感谢大家一直以来对《慧天地》的关注和支持！

——《慧天地》运营团队

投稿、转载、商务等合作请联系

微信号：huitiandi321

邮箱：[e-mail]

编辑：李德翔  审核：张世奥指导：万剑华教授