深度学习用于生成飞行时间摄像机文物
Tobias Müller1, Tobias Schmähling1, Stefan Elser2
1Institute for Photonic Systems Hochschule Ravensburg-Weingarten, University of Applied Sciences, Doggenriedstraße, 88250 Weingarten, Germany.
Journal of imaging
|October 25, 2024
概括
本研究介绍了一种新的基于学习的方法,使用MCW-Net从激光扫描生成现实的飞行时间 (ToF) 摄像头数据. 这种方法通过结合噪声模型来提高精度来增强传感器模拟.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 传感器模拟传感器的模拟
背景情况:
- 飞行时间 (ToF) 摄像机受到多路径干扰 (MPI) 噪音和错误的影响.
- 获得足够的现实训练数据来纠正ToF错误是一个挑战.
- 由于简化,现有的物理模拟数据往往缺乏关键传感器特性.
研究的目的:
- 开发一种基于学习的方法来生成现实的ToF摄像头数据.
- 为了克服ToF传感器开发当前模拟数据的局限性.
- 为了提高ToF传感器模拟的准确性和适用性.
主要方法:
- 利用高质量的激光扫描数据作为输入.
- 使用MCW-Net (多级连接和广泛的区域非本地区块网络) 进行域名传输.
- 集成噪声模型来模拟现实的传感器噪声.
- 探索各种训练策略与现实世界的数据集.
主要成果:
- 成功地将激光扫描数据转化为现实的ToF摄像头数据.
- 证明了MCW-Net方法在域调整方面的有效性.
- 与传统模拟相比,对参考场景的定量评估显示了比传统模拟更好的现实性.
结论:
- 提出的基于学习的方法有效地产生高保真度的ToF摄像头数据.
- 这种技术增强了模拟数据的实用性,用于ToF摄像机硬件设计和应用程序开发.
- 该方法为ToF传感器研究中的数据稀缺提供了可行的解决方案.


