从基于DD-Inceptionv2-UNet的单射边缘图案进行深度估计

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:

• 从单次拍摄的边缘图案中精确的3D测量是至关重要的,但具有挑战性.
• 深度学习技术越来越多地应用于边缘投影特征测量 (FPP) 用于一次性3D测量.
• 现有的方法在深度估计准确性方面往往面临局限性.

研究的目的:

• 提出一个改进的深度学习模型,用于从单次拍摄边缘图案中准确地估计深度.
• 为了提高边缘投影特征测量的3D测量的准确性.
• 解决当前深度学习方法在一次性FPP中的局限性.

主要方法:

• 开发深度可分离的扩展发射v2-UNet (DD-Inceptionv2-UNet) 模型.
• 同时调整网络深度和宽度以获得最佳性能.
• 使用模拟和实验数据集进行评估.

主要成果:

• 拟议的DD-Inceptionv2-UNet模型显示,与基线UNet.net相比,深度地图预测的误差较小.
• 模拟数据的平均绝对误差 (MAE) 降低了35.22%,实验数据的平均误差降低了34.62%.
• 定性和定量评估显示出卓越的表现,深度曲线与地面真相密切匹配.

结论:

• DD-Inceptionv2-UNet模型有效地提高了从单次拍摄边缘图案的3D测量的准确性.
• 拟议的方法为边缘投射特征测量深度估计提供了显著的进步.
• 该模型显示了对需要精确3D重建的现实应用的巨大潜力.