通过非线性边缘转换进行单拍3D重建:监督和无监督学习方法
Andrew-Hieu Nguyen1, Zhaoyang Wang2
1Neuroimaging Research Branch, National Institute on Drug Abuse, National Institutes of Health, Baltimore, MD 21224, USA.
Sensors (Basel, Switzerland)
|May 25, 2024
概括
本研究介绍了一种使用深度学习和非线性边缘转换的新型单次3D形状重建方法. 使用深度卷积生成对抗网络 (DCGAN) 的无监督学习优于监督方法,可以从单个图像中准确地重建3D对象.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 三维重建的3D重建
背景情况:
- 从二维图像中准确的3D对象表示是计算机视觉的一个关键挑战.
- 结合结构光和深度学习的进步提供了高质量的3D形状采集.
- 现有的方法通常需要多个图像或复杂的设置.
研究的目的:
- 介绍一种新的单射3D形状重建方法.
- 为非线性边缘转换开发一种深度学习方法.
- 为了比较监督和无监督的学习这项任务.
主要方法:
- 一个深度学习网络将灰度边缘输入转换为相位移边缘输出.
- 结构光边缘投影造型测量用于3D重建.
- 使用了监督 (UNet) 和无监督 (DCGAN) 学习网络.
主要成果:
- 与监督的UNet相比,无监督的DCGAN方法显示出优异的图像对图像生成.
- 拟议的技术可以从单个边缘图像中准确地重建3D形状.
- 实验验证证证实了该技术的实用性和稳定性.
结论:
- 开发的单击方法有效地使用非线性边缘转换重建3D形状.
- 无监督深度学习,特别是DCGAN,对于这种3D重建任务非常有效.
- 该技术在各种需要单图像3D重建的现实场景中具有广泛的适用性.
