3D重建的时间分布式框架,将边缘投影与深度学习集成在一起
Andrew-Hieu Nguyen1, Zhaoyang Wang2
1Neuroimaging Research Branch, National Institute on Drug Abuse, National Institutes of Health, Baltimore, MD 21224, USA.
Sensors (Basel, Switzerland)
|August 26, 2023
概括
本研究介绍了一种新的深度学习方法,用于使用时间结构光进行3D形状重建. 时间分布式方法提高了动态应用的准确性和实用性.
科学领域:
- 计算机视觉 计算机视觉
- 光学计量学 在光学计量学
- 机器学习 机器学习
背景情况:
- 结构光技术与深度学习相结合,为3D形状重建提供了高精度.
- 现有的方法通常在空间领域处理数据,限制应用程序具有动态场景.
研究的目的:
- 为时间结构光3D形状重建提出一种新的时间分布深度学习方法.
- 为了提高动态场景的3D形状重建的准确性和实用性.
主要方法:
- 使用自动编码器网络和时间分布式包装来处理时间边缘模式.
- 采用边缘投影特征测量 (FPP) 用于地面真相生成和过程描述.
- 将边框图案转换为接函数的计数器和分母.
主要成果:
- 时间分布式的3D重建实现了与双频数据集 (p = 0.014) 相似的结果.
- 通过统计测试,通过统计测试证明了比三次频率数据集 (p = 1.029 × 10-9) 更高的准确性.
- 单一网络培训方法在各种应用中被证明是实用的.
结论:
- 拟议的时间分布式深度学习方法为时间结构光3D形状重建提供了强大而准确的解决方案.
- 这种方法对于科学研究和工业应用都非常实用,因为它的实施方式简单.
- 该技术显示出在推进动态3D测量能力方面的巨大潜力.
