一、简述

        从单一角度而自动合成3D数据是人类视觉和大脑的基本功能，这对计算机视觉算法来说是比较难的。但随着LiDAR、RGB-D 相机（RealSense、Kinect）和3D扫描仪等3D传感器的普及和价格的降低，3D 采集技术的最新进展取得了巨大飞跃。与广泛使用的 2D 数据不同，3D 数据具有丰富的尺度和几何信息，从而为机器理解提供了更广泛的机会。

        然而，与2D数据相比，3D数据的可用性相对较低，且获取成本较高。因此，最近提出了许多深度学习方法来从可用的 2D 数据合成 3D 数据，而不依赖于任何3D传感器。但在深入研究这些方法之前，先了解处理3D数据的格式。

        合成的三维数据可以根据数据的最终用途，而使用不同的格式表示。

        一些常见的格式是：深度图像、点云、体素、网格、多视图图像、基于图元的CAD模型。

        从研究的角度来看，每种类型的数据格式都有自己的属性，这些属性给深层架构设计带来了挑战，同时也为新颖高效的解决方案提供了机会。每种表示形式都适合自己的应用场景。

二、深度图像

        RGB-D 图像是包含