基于卷积神经网络的范围-强度-配置指导门式光范围和成像

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
• 机器学习 机器学习

背景情况:

• 三维 (3D) 范围限制成像提供高分辨率的强度和深度数据.
• 现有的深度恢复算法,如范围强度相关性和深度学习,面临数据需求或配置生成的挑战.
• 准确的深度信息对于各种成像应用至关重要.

研究的目的:

• 开发一种新的范围-强度-配置指导方法,用于从封闭图像中准确地恢复深度.
• 通过利用合成数据和专门的神经网络来克服现有算法的局限性.
• 为了提高3D距离控制成像系统中深度估计的性能.

主要方法:

• 开发了一个卷积神经网络,称为范围强度比和语义网络 (RIRS-net).
• 合成训练数据是使用"侠盗猎车手V"生成的,基于系统的范围强度概况 (RIP).
• RIRS-net在合成数据上进行了训练,并通过RIP数据进行了微调,学习了语义和范围强度深度线索.

主要成果:

• 与现有的算法相比,拟议的方法在深度回收方面表现出优异的性能.
• 在现实场景和合成数据集上的评估实验证实了该方法的有效性.
• 该网络成功地集成了语义和范围强度深度线索,以提高准确性.

结论:

• 范围-强度-配置指导的方法提供了一个强大的解决方案,用于深度回收在3D范围-关闭成像.
• 使用合成数据生成显著减少了对广泛的现实世界培训数据的需求.
• 这种方法提升了封闭光范围和成像系统的功能.