概括
这项研究引入了一种新的深度学习方法,用于边缘投射特异测量 (FPP) 阶段解封. 新方法通过使用单一的边缘图案与三次输出神经网络和物理知情损失函数来提高准确性.
科学领域:
- 光学是什么?光学是什么?光学是什么?
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 边缘投影谱 (FPP) 是一种广泛使用的3D测量技术.
- 阶段解封是FPP中的一个关键步骤,用于准确的3D重建.
- 现有的深度学习方法对单模式阶段解封面临准确性限制.
研究的目的:
- 提高基于深度学习的阶段解封从FPP中单一边缘模式的准确性.
- 开发一种新的神经网络架构和损失函数,结合物理先验.
主要方法:
- 提出了一个单输入三输出神经网络结构.
- 该网络生成包装阶段,边缘顺序和粗的未包装阶段作为中间输出.
- 引入了一个新的损失函数,由FPP特定的物理先验来告知.
主要成果:
- 拟议的方法显著提高了未包装阶段的准确性.
- 实验结果验证了单输入三输出网络和新的损失函数的有效性.
- 与现有的深度学习方法相比,这种方法显示出更好的性能.
结论:
- 开发的深度学习模型为FPP使用单边框模式提供了更准确的阶段解封解决方案.
- 建议的网络架构和损失函数可以扩展到其他深度学习阶段解封应用程序.
- 这项工作有助于推进光学计量学中的3D测量精度.


