概括
这项研究引入了一种使用单二进制边框模式进行更快,更准确的3D测量的新阶段检索方法. 基于深度学习的无线化增强了相提取和对象细节的保存.
科学领域:
- 光学和光子学 在光学和光子学.
- 计算机视觉 计算机视觉
- 计量学 计量学是一门学科.
背景情况:
- 边缘结构光测量对于3D重建至关重要.
- 现有的方法在速度和准确性之间面临着权衡.
- 二元边缘模式为更快的测量提供了潜力,但需要强大的相位检索.
研究的目的:
- 开发一种高速,高精度的相检索方法,用于边缘结构光测量.
- 利用深度学习来改进从单二进制边缘模式中提取相位.
- 在阶段重建过程中增强对象细节的保存.
主要方法:
- 一个使用单二元方形波边缘模式的新型相位检索算法.
- 基于深度学习的图像消除用于相位提取.
- 用训练有素的深度学习破解器来替代传统的带通波.
主要成果:
- 与传统的单算法相比,拟议的方法显著提高了重建的准确性.
- 提高了对象细节的完善保存.
- 深度学习的denoiser作为一个自适应的低通波器,简化了这个过程.
结论:
- 单二进制边缘阶段检索方法与深度学习无声化为3D测量提供了优越的替代方案.
- 这种方法有效地平衡了测量速度和精度.
- 它展示了在光学计量学和计算机视觉领域更广泛应用的潜力.
