在日常交談中，相互注視和擺動頭部等動作都是自然對話的組成部分，尤其是當我們在面對面交流中變換話題、控制發言或轉換交流對象時，都會伴隨眼神和肢體動作的交流。然而，當前的視頻會議技術卻存在著一定的缺陷——由于攝像頭和屏幕不在同一高度，如果看向屏幕眼神往往很不自然，如果看向攝像頭則無法關注到其他與會者的反應，因此視頻會議缺少了線下交流的真實感和互動感。而且在實際的工作中，我們還會有各種不同的會議場景，比如多人會議、同排而坐協同工作等情況，對于捕捉與會者的側方視線和動作來說，現有的視頻會議系統就更無能為力了。

如果有一個會議系統，可以讓人們即使身處不同的地方，也能像在同一房間里一樣交流，視線轉動就能與同伴建立起眼神溝通，這是否會給遠程辦公增添一份沉浸式的真實感呢？

利用現有的普通硬件設備搭建的 3D 視頻系統

為了解決這些問題，微軟亞洲研究院提出了創新的 3D 視頻會議系統——VirtualCube，它可以在遠程視頻會議中建立起真人等大的 3D 形象，無論是正面溝通，還是側方交流，系統都能夠正確捕捉到與會者的眼神、動態，建立起眼神和肢體交流。相關論文被全球虛擬現實學術會議 IEEE Virtual Reality 2022 接收并獲得了大會的最佳論文獎（Best Paper Award – Journal Papers Track）。（點擊閱讀原文，了解論文細節）

VirtualCube 系統具有三大優勢：

標準化、簡單化，全部使用現有的普通硬件設備。與辦公場所中常見的格子間（Cubicle）類似，每個 VirtualCube 都提供了一致的物理環境和設備配置：與會者正前方安裝有6個 Azure Kinect RGBD 攝像頭，以捕捉真人的圖像和眼神等動作；在與會者的正面和左右兩側還各有一個大尺寸的顯示屏，以創造出身臨其境的參會感。使用現有的、標準化的硬件能夠大大簡化用戶設備校準的工作量，從而實現 3D 視頻系統的快速部署和應用。

6個 Azure Kinect RGBD 攝像頭捕捉人像和眼神等動作

多人、多場景，任意組合。作為在線視頻會議的基礎構建，VirtualCube 的虛擬會議環境可由多個空間（Cube）按照不同的布局組成，以支持不同的會議場景，例如兩人的面對面會議、兩人并排會議，以及多人的圓桌會議等。

多個空間（Cube）可實現任意組合

實時、高質量渲染真人圖像。VirtualCube 可以捕捉到參與者的各種細微變化，包括人的皮膚顏色、紋理，面部或衣服上的反射光澤等，并實時渲染生成真人大小的 3D 形象，顯示在遠程與會者的屏幕中。而且虛擬會議環境的背景也可以根據用戶的需求自由選擇。

任意變換會議場景，都能身臨其境

V-Cube View和V-Cube Assembly算法雙劍合璧，沉浸式會議體驗不再是難題

其實業界對 3D 視頻會議的研究從未間斷過。早在2000年，就有人曾提出過與類似混合現實技術有關的暢想。基于這個設想，科研人員一直在探索如何將視頻會議以更逼真、更自然的方式呈現，期間也出現了不同的技術路線和解決方案，但都沒有達到理想的效果。對此，微軟亞洲研究院主管研究員張譯中和楊蛟龍表示，過往的研究仍然有很多沒有解決的問題：首先，在真實環境下，無論放置怎樣的單目攝像設備，即使圖像質量再高，與會者也很難形成自然的眼神交流，特別是多人會議的情況；其次，很多研究針對特定的會議場景進行優化，如兩個人面對面的會議或三人的圓桌會議，很難支持不同的會議設置；第三，雖然在影視界我們能夠看到一些逼真的虛擬人，但那是需要專業的技術和影視團隊長時間打磨和優化才能實現的，仍然需要一定的手工勞動，目前無法進行實時捕捉和實時渲染。

為此，微軟亞洲研究院提出了 V-Cube View 和 V-Cube Assembly 兩大全新算法，在 VirtualCube 中實現了自動捕捉參與者的手勢動作和眼神變化，實時渲染形成高保真圖像，讓參與者在虛擬會議中體驗到真實會議的氛圍。

“兩個人在交談且相互注視對方時，對方看到的自己就相當于在自己眼睛的位置放置一個攝像頭。但屏幕和攝像頭的位置存在高低差，所以當一方注視屏幕中對方的眼睛時，攝像頭捕捉到的眼神就會偏離。因此在 VirtualCube 中，我們在與會者正前方的屏幕邊緣放置了六個攝像頭，通過 V-Cube View 算法合成正確的視點圖像，并利用 V-Cube Assembly 確定正確的相對位置，進而給與會者一個沉浸式的會議體驗”，張譯中介紹道。

基于深度學習的 V-Cube View 算法，通過 VirtualCube 中的六個攝像頭的 RGBD 圖像作為輸入，實時渲染任意目標視點下人的高保真視頻。這里的技術挑戰是如何同時做到高保真和實時。對此，微軟亞洲研究院主管研究員楊蛟龍解釋道：“實時渲染高保真的人像，特別是高保真的人臉一直是個具有挑戰性的研究課題。傳統的三維重建和紋理貼圖的做法雖然可以做到實時繪制，卻無法重現出真實人臉復雜的材質和在不同視點下外觀的變化。為此我們提出了一種新的 Lumi-Net 渲染方法，其核心思想是利用重構的三維幾何作為參考來實現一個四維光場的實時渲染，并結合神經網絡進行圖像增強，從而提高了渲染的質量，特別是人臉區域的高保真度。”

具體而言，V-Cube View 算法分為三步進行。首先，研究員設計了一個神經網絡來快速求解目標視點深度圖作為人體的幾何參考（geometry proxy）。然后，算法在給定的幾何參考下將獲取的多視角 RGB 圖像（即光線）進行融合，實現繪制。在這一步中，研究員受傳統的非結構化流明圖（Unstructured Lumigraph）方法啟發，將輸入光線與目標像素光線的方向和深度差異作為先驗，通過神經網絡學習最合適的融合權重。最后，為了進一步提升繪制質量，研究員們使用了神經網絡對上一步的繪制結果進行圖像增強。整個算法實現了端到端的訓練，并在訓練過程中引入了感知損失函數及對抗學習技術，使得算法可以自動學習出最優的神經網絡，實現高保真的繪制。而且為了保證繪制的實時性，算法的前兩步都在低分辨率圖像上執行，這樣可以在不損失太多精度的情況下大大降低所需計算量。經過精心設計和優化的 V-Cube View 算法，將實時的三維人物渲染質量提升到了一個新的高度。

另外，為了讓 VirtualCube 的使用者擁有和線下交流同樣的體驗，在將與會者映射到虛擬環境時，系統還要考慮他們之間的相對位置關系，這時 V-Cube Assembly 算法就發揮了重要的作用。“在整個虛擬會議環境中，V-Cube Assembly 可以被定義為全局坐標系統，單個的 VirtualCube 則為局部坐標系統。全局坐標系與局部坐標系之間的正確 3D 幾何變化，對在視頻顯示器上正確呈現遠程與會者的圖像至關重要”楊蛟龍介紹。

研究員們首先會在 VirtualCube 中捕捉與會者的 3D 幾何體，形成局部坐標系，然后將這些局部坐標系的 3D 幾何體數據，投射到全局坐標系，經過 V-Cube Assembly 處理，在全局虛擬會議環境中確定每個 VirtualCube 參與者正確的相對位置，最后再將全局 3D 幾何體轉換為 VirtualCube 的局部坐標系，影射到 VirtualCube 的屏幕上。

拋磚引玉，暢想未來辦公無限可能

VirtualCube 給 3D 視頻會議系統提供了一種全新的思路。無論從算法設計、端到端設備部署還是工程調試上，VirtualCube 都證明了利用現有的普通硬件設備就可以實現沉浸式的 3D 視頻會議體驗。

除了讓與會者“共享”同一個物理空間外，研究員們還在探索利用 VirtualCube 系統滿足遠程辦公中的更多協作需求。例如，研究員們展示了這樣一種場景：在協同工作時，兩位與會者及其電腦桌面都將是視頻會議的一部分，因此與會者并排而坐，并且跨屏幕傳遞自己桌面上的文檔和應用程序會讓遠程協作更加方便。

隨著技術的不斷精進，未來，大家或許都可以實現身隔萬里，卻能親臨其境一起辦公，自然溝通的遙在體驗，而這將極大地提高混合辦公的效率。微軟亞洲研究院的研究員們也希望 VirtualCube 可以成為一顆探索的種子，給更多研究人員帶來啟發，在大家共同的努力下，找到更好的虛擬空間交互形式，打開未來辦公的更多可能。