动态场景的实时3D形状测量使用边缘投影特征测量:轻量级NAS优化的双频深度学习方法

科学领域:

• 计算机视觉 计算机视觉
• 计量学 计量学 计量学
• 机器学习 机器学习

背景情况:

• 动态场景的实时,高精度的3D重建对于在线监控和增强现实等应用至关重要.
• 传统的方法 (例如,富里埃变形概况测量,相位移概况测量) 在效率和准确性之间面临权衡.
• 目前的深度学习方法往往缺乏由于模型的大小和复杂性所需的实时处理能力.

研究的目的:

• 开发基于网络架构搜索 (NAS) 的方法,以高效准确地3D测量动态场景.
• 为了使实时处理速度与单次拍摄方法相提并论.
• 解决现有的3D重建技术在速度和准确性方面的局限性.

主要方法:

• 实现了网络架构搜索 (NAS) 来设计一个轻量级的神经网络,优化了高效的相变调.
• 采用了改进的双频策略,以实现灵活而准确的绝对相解封.
• 集成这些组件以实现实时3D重建和测量.

主要成果:

• 实现了每秒58 (fps) 的高重建速度,实现实时性能.
• 证明了高精度的3D测量,平均RMS误差约为0.08毫米.
• 成功应用深度学习用于动态场景3D测量,这是一个新的进步.

结论:

• 提出的基于NAS的方法有效地平衡了动态场景的3D重建的速度和准确性.
• 这种方法在将深度学习应用于实时,高精度的3D计量学方面取得了重大进展.
• 该方法克服了以前的局限性,为苛刻的动态场景应用提供了可行的解决方案.