VR3D：3D表示学习实现跨视角行人重识别-平芜编程栈

无人机拍到的和地面看到的是同一个人吗？VR3D 用 3D 表示学习解决跨视角行人重识别

先抛一个真实场景：城市多机协同巡逻中，目标先在路边被地面摄像头拍到，30 秒后无人机从 80 米高度飞过，它捕捉到的画面几乎只剩下头顶和肩膀轮廓。两个视角的图像很难让人相信拍的是同一个人。如果此时直接用传统 2D 行人重识别（Person Re-Identification, ReID）特征去匹配，结果大概率是灾难性的。

这不是少数场景才有的问题。智慧城市、大型活动安保、园区巡逻、应急救援都会出现「地面摄像头 + 空中无人机」的混合监控需求。空中视角和地面视角之间的夹角可以接近 90°，目标的外观、姿态、尺度、遮挡状态几乎完全改变了。传统的 ReID 方法建立在“两张图像都是正面或接近正面视角”的隐性假设上，一旦视角差异超出范围，特征就不可靠。

所以最近很多研究者把希望放在 3D 表示学习上。项目标题里的VR3D（View-Robust 3D Representation Learning for Aerial-Ground Person Re-Identification）就是这一思路的代表：与其在 2D 图像空间里不断修补视角差异，不如把行人“还原”到一个与视角无关的 3D 空间里，再做身份匹配。这篇文章不是论文翻译，而是从概念、方法拆解、训练管线、工程部署到常见坑，完整讲清楚这个方向到底解决什么问题、适合什么场景、落地时要注意什么。

1. Aerial-Ground 场景下的行人重识别难点在哪里

要理解 VR3D 为什么存在，先要知道传统 ReID 在 Aerial-Ground 场景下为什么失效。

传统 ReID 的定义是：在多个不重叠摄像头拍摄的画面中，检索同一个目标行人。经典流程是：目标检测 -> 特征提取 -> 距离度量 -> 排序返回。特征提取大多基于 2D 卷积网络，模型学到的是颜色、纹理、姿态、部件位置等外观信息。从训练数据来看，这类模型接触到的视角通常比较有限：平视、轻度俯视、侧视，视角变化范围一般不超过 30° 到 45°。

但空中—地面协同场景把视角变化拉到了极端。无人机视角垂直于地面或接近垂直，地面摄像头则是平视或轻微俯视。同一个人的身体在这种跨视角下会发生几类明显的变化：

自遮挡严重。无人机俯视时，面部、前后躯干的比例可能被压缩，双手和双腿可能被身体遮挡。
外观歧义增强。俯视时颜色信息可能只剩衣领、背包、帽子，原有的条纹、图案可能完全不可见。
尺度差异大。地面图像目标像素高度可能占整张图的 70%，无人机图像中目标可能只有几个像素，还要应对远处的小目标。
光照和背景差异大。空中视角下地面反光、阴影、遮挡物变化比地面平视更复杂。

这些问题叠加在一起，导致一个结果：2D 外观特征在 Aerial-Ground 检索场景里的可区分性断崖式下跌。你让模型看一眼地面图，再去无人机图里找同一个人，它很容易找到“颜色像但实际是别人”的干扰项。

如果只靠调整损失函数或换更强的骨干网络，能解决吗？很难。因为问题出在表征层面：2D 图像记录的是 3D 世界在某一个相机位姿下的投影，投影过程天然丢失了大量结构信息。同一个人的信息是完整保留在 3D 空间里的，但不同视角的 2D 图像只是从不同角度“观察”同一个 3D 结构，彼此之间并不存在像素级的对应关系。这就是为什么 VR3D 这类方法要把表征从 2D 搬到 3D。

2. 为什么 2D 外观特征很难做到 View-Robust

先把 2D ReID 的主流路线梳理一下，这样能更清楚 3D 表示学习的价值在哪里。

早期深度 ReID 方法把整张行人图输入 CNN，提取一个全局特征向量；后来大家发现局部信息也很重要，就出现了基于水平切条（stripes）的方法，把特征图切成多个水平块，分别学习局部特征再拼接；再后来有人用姿态估计、语义分割、关键点对齐来做“部件级”特征，希望让模型更关注语义部件而不是纯像素。这些方法在视角变化不大的数据集上表现不错，但都有一个共同假设：部件之间的空间位置相对稳定。视角一变，这个假设就塌了。

拿最常用的语义部件对齐举例。在人脸识别或行人重识别中，算法会把图像划分成头、躯干、腿等语义区域。地面视角下，头的中心位置、腿的方向都比较固定；无人机俯视下，头在图像中心，腿可能完全看不到，躯干变成一个不规则块，原来学到的部件空间关系全部失效。即使你有很强的注意力机制，模型也无法从缺失的信息中凭空恢复出下半身特征。

另一个问题是 2D 特征对视角变化的敏感性是隐性的。CNN 可以学到“某个颜色组合 + 某种姿态 = 某个人”这样的相关关系，但这种关系不是依靠身体结构建立的。换一个视角后，颜色还在，姿态没了，模型会退化成靠颜色和纹理粗暴匹配。跨视角检索时，如果目标恰好穿着常见的深色衣服，误检率会急剧上升。

所以结论很明确：要使特征具备 View-Robust 能力，不能只在 2D 图像上继续加模块，必须引入 3D 空间作为中间表示。一个行人无论无人机怎么拍、地面摄像头怎么拍，他在 3D 空间中的身体结构、体积分布、重心位置、关键部位相对关系是基本不变的。把这套结构建模出来，跨视角匹配就变成了“两个 3D 结构是否属于同一个人”的问题。

3. VR3D 用 3D 表示学习解决问题的逻辑

VR3D 这个名称可以拆成两部分：View-Robust 是想要达到的性质，3D Representation Learning 是实现手段。它的核心思想并不复杂：不要直接在像素上匹配，而是先从图像中恢复或估计出目标的三维结构，再在这个三维空间里做身份判别。

3.1 通俗理解：从“看图猜人”到“看结构认人”

假设你在远处看到一个穿着红衣服的人。第一眼你会靠颜色认人；但如果你能“脑补”出这个人的体型、肩宽、走路姿态、头身比这些三维结构信息，即使他换了一件衣服，你仍然可以识别。VR3D 想做的就是把这种“脑补”显式化：设计一个 3D 重建或 3D 特征提取模块，从 2D 图像中恢复目标的体积、表面或关键点结构，然后让身份分类器基于恢复出的结构信息做判断。

这种思路有一个很直接的好处：当两个视角差异很大时，2D 像素层面的差异非常大，但 3D 结构层面的差异应当很小。模型只需要学会在不同视角之间共享同一个 3D 空间，不需要强制建立像素到像素的对应。

3.2 3D 表示的具体形式

3D 表示学习并非只有一个固定答案。根据不同任务，研究者会选择不同的 3D 数据形式，每种形式都有不同的信息丰富度和计算开销：

3D 表示形式	基本描述	优点	缺点
体素（Voxel）	把 3D 空间划分为网格单元，每个单元表示是否被占用	结构规整，适合 3D CNN	分辨率越高内存急剧膨胀，容易稀疏
点云（Point Cloud）	用一组 3D 坐标点表示物体表面或体积	表达灵活，可配合 PointNet 等网络	无序性需要特殊算子，采样不均时效果下降
网格（Mesh）	用顶点和面片描述物体表面	表面信息丰富，适合渲染监督	拓扑结构复杂，难以直接用于分类特征
隐式表示（SDF/NeRF）	用一个函数表示空间中每个点的占用或距离	连续、内存友好，适合高质量重建	推理慢，特征提取需要额外处理
3D Gaussian Splatting	用大量三维高斯原语表示场景	可实时渲染，图像监督方便	参数量大，行人小目标场景稳定性有待验证

VR3D 并不强行限定用哪一种，而是围绕“视角鲁棒”这个目标选择或组合合适的表示。从目前学界的发展趋势看，点云、体素和隐式表示在行人重识别里都有应用，3D Gaussian Splatting 也开始被用于跨视角场景生成和特征学习。

3.3 3D 相对 2D 的优势

把问题从 2D 转向 3D，本质上是在为模型补充一个“视角不变约束”。这个约束有以下三个具体作用：

补齐自遮挡信息：虽然单张图像无法完整看到身体背面，但 3D 重建过程可以利用人体形状先验，估计出被遮挡部分的大致位置，使特征包含更多结构信息。
统一跨视角特征空间：无论输入图像是平视还是俯视，模型输出都落在同一个 3D 坐标或特征空间中，跨视角检索变成同一空间中的最近邻搜索。
增强可解释性：2D 特征很难说清“模型为什么觉得他们像”，3D 重建结果可以直接可视化，调试时更容易发现问题。

当然，3D 表示不是银弹。单张 2D 图像反推 3D 结构是典型的病态问题：同一张图像可能对应多种合理的 3D 解释。如果重建质量差，3D 特征反而会引入额外噪声。这也是 VR3D 这类方法真正要解决的难点：如何在 3D 预测不准的情况下仍然保持身份特征的可区分性。

4. VR3D 方法拆解：两阶段还是多任务联合学习

从工程实现的角度看，VR3D 的方法结构可以抽象为几个关键模块：2D 视觉编码器、3D 结构估计器、3D 特征提取器、身份判别头。下面基于公开研究里常见的做法做合理拆解，实际论文实现可能会有差异。

4.1 整体流程

输入一张检测到的行人图像，首先通过一个 2D 骨干网络提取高层特征图，这一步的作用是捕捉外观、纹理、颜色等信息。随后，3D 结构估计器根据 2D 特征预测目标在三维空间中的表示，比如体素占用、点云坐标、深度图加表面法线，或者隐式距离场。接着，3D 特征提取器在这个三维表示上学习一个紧凑向量。最后，身份判别头对这个向量做分类或度量学习。

用伪代码表达：

class VR3DPipeline(nn.Module): def __init__(self, backbone, shape_head, reid_head): super().__init__() self.backbone = backbone # 2D 特征提取 self.shape_head = shape_head # 3D 结构估计 self.reid_head = reid_head # 身份分类头 def forward(self, x): # x: [B, 3, H, W] f_2d = self.backbone(x) # [B, C, h, w] f_3d = self.shape_head(f_2d) # 可能是点云/体素/特征场 # 把 3D 结构压缩成身份特征 feat = self.reid_head(f_3d) # [B, D] return feat, f_3d

4.2 2D 分支和 3D 分支如何融合

这里有一个值得注意的设计差异：3D 分支是作为辅助监督，还是作为最终特征的一部分？两种思路各有取舍。

如果 3D 和 2D 特征最终拼接或通过注意力融合，模型在推理时可以同时利用外观和结构信息。这种方式对 3D 重建质量的要求更高，因为误差会直接混入最终特征。
如果 3D 只作为辅助监督，最终特征仍然来自 2D 分支，那么 3D 的作用是通过重建任务让 2D 特征学习到更多空间结构先验。这种方式更稳定，但视角鲁棒性提升幅度可能有限。

从“View-Robust”这个目标来看，更稳妥的做法是：把 3D 结构作为显式的中间特征之一，同时保留 2D 外观分支，最后用可学习的融合模块决定每个维度应该更信任外观还是结构。关键在于融合后依然要保证跨视角样本在特征空间里距离更近。

4.3 损失函数设计

训练 VR3D 这类模型时，损失函数往往是多任务叠加的，通常包含以下部分：

身份分类损失：标准的 cross entropy loss，让特征向量能区分不同行人 ID。
度量学习损失：triplet loss 或 contrastive loss，拉近同一个人不同视角样本的距离，推远不同人样本的距离。
3D 重建损失：如果 3D 标签可见，直接用 L1 或 Chamfer Distance 监督重建结果；如果没有标签，可以用深度图、姿态图、分割图作为辅助监督。
跨视角一致性损失：让同一行人的不同视角图像经过模型后产生接近的 3D 特征。这里可以用 KL 散度、余弦相似度或跨视角对抗损失实现。

一个完整的损失函数表达如下：

import torch.nn.functional as F total_loss = ( ce_loss(logits, pid) + triplet_loss(feat, pid) + 0.1 * recon_loss(pred_3d, gt_3d) + 0.1 * cross_view_loss(feat_ground, feat_aerial) )

四个损失的权重需要根据实际数据分布调整。如果 3D 重建质量很差，重建损失权重不宜过高；如果跨视角差异过大，跨视角一致性损失往往是最后效果提升的关键。

5. 数据、标注与跨视角评估设计

3D 表示学习听起来很美好，但工程落地时首先撞上的问题就是数据。传统 ReID 数据集偏重地面视角，Aerial-Ground 数据集的采集成本高，3D 标注更是昂贵。

5.1 数据来源：真实采集还是仿真合成

真实场景中，同时部署无人机和地面摄像头并标注同一批目标，需要做好时间同步、目标匹配和坐标对齐，成本很高。仿真合成是另一个主流途径：用游戏引擎或三维渲染软件生成大量不同视角、不同光照、不同姿态下的行人图像，同时自动产生精确的 3D 标注。

仿真数据的优点是标签便宜、视角可控、场景覆盖广；缺点是域差距。模型在仿真数据上训练后，迁移到真实监控数据时往往会出现性能下降。此时可以引入真实数据做域适应，例如用无监督域适应方法把仿真 3D 知识迁移到真实场景。

5.2 3D 标签不一定需要真 3D

很多团队开始做 VR3D 时会有一个误区：必须拿到高质量 3D 扫描或者动捕数据才能训练。其实不然。

在实现时可以用近似标签替代完整 3D 标注：

深度估计结果：用现成的单目深度估计模型给每一帧生成深度图，作为 3D 重建的监督信号。
人体关键点：用 2D pose 估计结果推导身体骨架的 3D 方位，辅助网络理解姿态。
人体分割 Mask：和背景分离后的 Mask 可以帮助 3D 模块把注意力集中在人体区域，而不是去重建背景。
多次视角一致性：如果同一个目标同时被多个地面摄像头拍到，即使没有真 3D 标签，也可以通过多视角一致性约束让 3D 表示更加真实。

从实际经验来看，伪 3D 监督虽然不如真 3D 标签精确，但足以帮助模型学习视角不变的强先验。重点是不要让模型硬记深度图噪声，否则跨视角一致性会比直接学 2D 特征更差。

5.3 评估指标和评估协议

VR3D 的评估不能只用一个全局 mAP。因为 Aerial-Ground 场景里，不同视角组合的难度完全不同。更科学的做法是把测试集按视角差分成多个子集：

地面到地面（Ground-Ground）：难度最低，相当于传统 ReID。
地面到空中（Ground-Aerial）：难度较高，双方视角差异大。
空中到地面（Aerial-Ground）：难度最高，也是这个方向最关心的场景。
空中到空中（Aerial-Aerial）：难度相对低，但会有更多俯视自遮挡。

评估时分别报告每组子集的 Rank-1、Rank-5 和 mAP，再看整体结果。这样做的好处是：如果模型只在地面子集上强，跨视角子集上差，说明 3D 表示没有真正发挥视角鲁棒作用。只汇报一个整体数字，很容易掩盖这个问题。

6. 一个示意训练管线：PyTorch 风格实现

这一节给出一套可落地的示意代码，用来演示 VR3D 类模型如何组织数据、训练和验证。注意，这不是原论文的完整复现，而是为了把前面讲的模块串起来，方便大家迁移到自己的项目。

6.1 模型定义

先定义一个轻量示意模型。2D 骨干可以用 ResNet50，3D 分支用一个简单的体素预测头，演示“从 2D 特征预测 3D 体素占用”的核心流程。

import torch import torch.nn as nn from torchvision.models import resnet50 class VR3D(nn.Module): def __init__(self, num_classes=1000, feature_dim=512): super().__init__() # 2D 骨干：去掉最后的分类层，输出特征图 backbone = resnet50(pretrained=True) self.backbone = nn.Sequential(*list(backbone.children())[:-2]) self.conv1x1 = nn.Conv2d(2048, 256, 1) # 3D 体素预测头：将 2D 特征图映射为体素占用 self.voxel_head = nn.Sequential( nn.Conv2d(256, 256, 3, padding=1), nn.BatchNorm2d(256), nn.ReLU(inplace=True), nn.Conv2d(256, 64, 3, padding=1), ) # ReID 特征头 self.pool = nn.AdaptiveAvgPool2d((1, 1)) self.embedding = nn.Sequential( nn.Linear(256 + 64, feature_dim), nn.BatchNorm1d(feature_dim), ) self.classifier = nn.Linear(feature_dim, num_classes) def forward(self, x): f_2d = self.backbone(x) # [B, 2048, 16, 8] f_2d = self.conv1x1(f_2d) # [B, 256, 16, 8] voxel_feat = self.voxel_head(f_2d) # [B, 64, 16, 8] pooled_2d = self.pool(f_2d).flatten(1) # [B, 256] pooled_3d = self.pool(voxel_feat).flatten(1) # [B, 64] feat = self.embedding(torch.cat([pooled_2d, pooled_3d], dim=1)) logits = self.classifier(feat) return logits, feat, pooled_3d

这个代码中，voxel_head并没有真正输出一个 3D 体素张量，而是从 2D 特征中提取“类似 3D 结构”的高层语义。真正的体素预测需要在空间维度上扩展，比如把[B, 64, 16, 8]的特征图重排为[B, 4, 16, 8, 8]的体素占用。这里保留为示意，重点是让 2D 和 3D 特征联合参与 ReID 特征构建。

6.2 损失函数

接下来定义一个多任务损失，包含身份分类、三元组损失和跨视角一致性损失。跨视角一致性通过计算同一 ID 的 ground-aerial 特征距离实现。

import torch import torch.nn as nn import torch.nn.functional as F def vp_loss(logits, feat, pid, aer_triplet_mask): # 1. 身份分类损失 ce_loss = F.cross_entropy(logits, pid) # 2. 三元组损失，简化为 hard triplet # 这里省略了采样的细节，实际实现中要对 feat 按 pid 分桶。 # 使用 PyTorch 三元组损失函数需要自定义采样器。 triplet_loss = torch.tensor(0.0, requires_grad=True) # 3. 跨视角一致性损失 # 如果同一个 pid 同时有 ground 和 aerial 两个样本， # 拉近它们的 3D 特征；这里用掩码控制配对。 permuted_feat = feat.index_select(0, aer_triplet_mask) consistency_loss = F.mse_loss(feat, permuted_feat) return ce_loss + triplet_loss + 0.5 * consistency_loss

注意，三元组损失在 ReID 训练里通常用torch.TripletMarginLoss配合自定义采样器完成。这里的代码只是展示一个可扩展的损失组合方式。实际工程中，跨视角一致性损失可以用更难样本：对同一 ID 的 ground 特征和 aerial 特征，计算所有 pair 距离，只回传最难的正样本对。

6.3 训练配置

模型训练时推荐用下面的 YAML 配置作为起点。具体参数需要根据数据集大小和 GPU 显存调整，不要照搬。

model: name: VR3D backbone: resnet50 feature_dim: 512 pretrained: true data: image_size: [256, 128] batch_size: 64 num_workers: 8 # 如果训练集包含 ground 和 aerial 两类视角，建议每个 batch 中同时采样两种视角 sampler: identity_balanced train: epochs: 120 lr: 0.00035 lr_scheduler: cosine weight_decay: 0.0005 # 视角差异大时，可以调大 consistency_loss 权重 lambda_cls: 1.0 lambda_triplet: 1.0 lambda_consistency: 0.5 eval: metrics: [rank1, rank5, mAP] protocol: cross_view

这个配置的关键点是sampler: identity_balanced。训练跨视角 ReID 时，不能简单随机采样，否则一个 batch 里可能全是地面视角或全是空中视角，跨视角一致性损失会失效。更合理的做法是每个 batch 从固定数量的 ID 里采样，每个 ID 尽量同时包含 ground 和 aerial 两种图像。

6.4 运行和验证

训练脚本大致如下：

python train.py \ --config configs/vr3d.yaml \ --gpu 0,1 \ --output_dir ./logs/vr3d

训练结束后，在测试集上分别计算 Ground-Ground、Ground-Aerial、Aerial-Ground、Aerial-Aerial 四个子集的 Rank-1 和 mAP。如果 Ground-Aerial 子集的 Rank-1 比传统 2D 方法提升明显，说明 3D 表示确实起作用了。

7. 常见问题与排查方法

下面整理几个在实现 VR3D 类模型时最容易遇到的问题，适合项目初期对照排查。

问题现象	可能原因	排查方式	解决方案
3D 分支输出一直是均值	3D 重建损失权重过低或标签噪声过大	单独打印重建损失数值，可视化重建输出	调大重建损失权重，检查伪 3D 标签是否对齐
跨视角子集提升不明显	2D 分支占主导，3D 分支融合权重太低	分别用 2D 特征和 3D 特征做检索对比	增加 3D 特征在最终向量中的占比，或用注意力融合
GPU 显存不足	体素分辨率高、batch 过大	查看显存监控和模型参数量	降低输入分辨率、减小 batch 或改用点云表示
训练震荡	多任务损失尺度不一致	打印每个 loss 量级，观察是否相差 10 倍以上	对不同损失做自动权重归一化或调小 dominant loss
推理速度慢	3D 重建模块计算量太大	用 profiler 统计各模块耗时	蒸馏成小模型，或把 3D 分支移到辅助监督位置
真实数据比仿真数据差很多	仿真到真实的域差距	对比仿真/真实数据的特征分布	加入域适应模块，收集少量真实数据做微调
小目标识别不到	检测框太小，3D 信息不足	检查检测环节召回率	先提升检测质量，对小目标做超分辨率或切块放大

最值得强调的一点是：3D 分支并不能“无中生有”。如果目标在图像里只占十几个像素，任何 3D 重建模块都很难恢复到有效结构信息。所以 Aerial-Ground ReID 的应用前置条件是检测器得先把小目标找出来，并且提供足够清晰的输入。

8. 工程化与部署建议

方法实验能跑通，距离上线还有一段路。这里给出几条工程化建议，尤其适合做安防、智慧城市、机器人巡检的团队。

8.1 模型轻量化

VR3D 类模型包含 2D 骨干和 3D 分支，参数和计算量都比传统 ReID 模型大。如果目标是部署在无人机边缘端或地面 NVR 上，建议先训练大模型，再通过知识蒸馏把 3D 结构约束迁移到轻量模型上。蒸馏时不仅对齐最终特征，也要对齐 3D 分支的中间输出，这样小模型才能继承视角鲁棒能力。

8.2 搜索库设计

Aerial-Ground ReID 不只是“一张图对一张图”的匹配。无人机实时飞到某个区域时，需要和过去半小时内地面摄像头抓拍的所有行人底库做检索。底库可能包含几万甚至几十万个特征向量。实际部署时推荐：

离线为所有历史目标提取特征，存入向量数据库。
无人机目标实时提取特征后，用近似最近邻检索召回 Top-K。
对 Top-K 结果做二次重排，重排时除了 ReID 分数，还要考虑时空约束，比如无人机的飞行动线和地面摄像头视野是否可能存在重叠。

8.3 安全与合规提醒

行人重识别属于面向人物的视觉分析技术，部署到公共区域时必须严格遵守当地法律法规和平台安全规范。上线前要明确数据收集范围、保存期限、使用目的，避免采集和存储无关个人信息。所有模型实验应在授权测试环境完成，不鼓励对非授权数据做大规模爬取和训练。这一点不是套话，而是这类技术真正落地时绕不过去的红线。

8.4 持续迭代

跨视角 ReID 很难做到一次训练一劳永逸。光照、季节、无人机飞行高度、摄像头安装位置都会影响效果。建议在实际场景中持续收集错检样例，形成难例集，并定期重训模型。同时保留模型版本管理，新模型效果回退时能快速回滚到旧版本。

9. 总结与后续学习方向

VR3D 所代表的思路，简单来说就是：在 Aerial-Ground 这种视角差异极大的场景里，2D 外观特征的天花板已经碰到了，3D 表示学习是更本质的解决路径。它把“行人匹配”从像素相关性比较升级为结构一致性比较，让模型在面对俯视、平视、侧视切换时，仍然能围绕人体三维结构找到共性。

不过，3D 表示学习不是把模型改大一点、加一个 3D 头就能自动成功。真正的考验来自三处：第一，3D 结构的预测质量是否稳；第二，2D 外观信息和 3D 结构信息的融合比例是否合理；第三，数据规模和视角覆盖是否足够支撑跨视角学习。如果这三个条件不具备，3D 分支只会成为模型的花瓶。

对于想深入了解的读者，建议从这几个方向继续学习：

先跑通一个传统 ReID Baseline（比如 ResNet50 + Triplet Loss），理解特征和损失的基本行为。
再给 Baseline 加上一个弱监督 3D 分支，用深度估计或人体分割做辅助损失，观察跨视角指标是否变化。
接着引入跨视角一致性损失，专门拉近同一 ID 在不同视角下的特征。
如果条件允许，尝试用 3D Gaussian Splatting 或 NeRF 对行人做多视角重建，把渲染得到的多视角图像作为数据增强。

最后提醒一句：不是所有 ReID 场景都需要 3D。如果现有摄像头之间视角差异不大，传统方法已经够用，强行上 3D 只会在推理速度和工程复杂度上吃亏。Aerial-Ground 场景才是 VR3D 这类模型真正的用武之地。判断需求、选择表示、设计损失、验证子集，这四个步骤做好了，跨视角行人重识别项目就已经成功了一大半。