基于自适应焦点体积聚合的自立立体测量
1State Key Laboratory of Ultra-Precision Machining Technology, Department of Industrial and Systems Engineering, The Hong Kong Polytechnic University, Hong Kong SAR, China.
Sensors (Basel, Switzerland)
|December 9, 2023
概括
本研究介绍了一种使用卷积神经网络的自适应焦点体积聚合方法,以减少自立立体测量系统中的噪声. 无监督方法提高了深度估计的准确性和从原始数据的表面形状重建.
科学领域:
- 计量学和3D成像技术
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 自动立体三维 (3D) 测量系统使用集成成像,用于便携式,快速的精度计量.
- 重建3D配置文件涉及从焦点到形状,但深度估计的准确性受到数字重定位期间噪音的阻碍.
- 现有的方法在没有事先信息的情况下,与噪音和不准确的表面表示作斗争.
研究的目的:
- 开发一种自适应焦点体积聚合方法,以优化焦点体积,以便在自动立体镜系统中准确地估计深度.
- 为了减轻数字重定焦时引入的噪声,在形状-从-焦点重建过程.
- 允许从原始数据中直接恢复表面形状,而不需要事先的知识.
主要方法:
- 开发了一种基于卷积神经网络 (CNN) 的自适应焦点体积聚合方法.
- 采用了无监督学习策略,使用每个样本的反向传播,因为获得大型数据集的成本很高.
- 培训包括一个平滑性约束和一个相同的分布约束,以规范网络输出.
主要成果:
- 提出的基于CNN的方法在深度估计中显著降低了噪声.
- 保持精确的表面形状,克服传统焦点测量运营商的局限性.
- 该系统可以直接从原始数据中恢复表面形状,而无需事先提供信息.
结论:
- 适应性焦点体积聚合方法有效地优化焦点体积,以改善深度估计.
- 这种方法提高了自立立体3D测量系统的稳定性和准确性.
- 无监督学习策略为培训CNN提供了一个可行的解决方案,当地面真相数据稀缺时.


