结构光3D成像通过空间频率信息和域自适应对抗学习的融合进行结构光3D成像

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:

• 结构光3D成像对于精确的非接触测量至关重要.
• 现有的深度学习模型在不同的系统设置和环境中难以实现泛化.
• 有限的稳固性阻碍了当前3D成像技术的广泛应用.

研究的目的:

• 开发一个强大的和可通用的结构光3D成像框架.
• 为了提高3D成像在各种系统配置和环境条件的性能.
• 解决当前深度学习方法在跨领域概括方面的局限性.

主要方法:

• 提出了一个新的框架,整合了域自适应对抗性学习和双域注意力机制.
• 开发了一种创新的数据集生成算法,模拟各种成像条件 (材料特性,照明,边缘频率,系统配置).
• 推出了FMambaBlock,一个注意力网络,将空间域 (2D-SSM) 和频域 (幅度-相) 的注意力融合在一起,以增强特征表示.

主要成果:

• 在跨领域场景中实现了最先进的性能,其中包括未知的边缘频率,照明变化和系统参数干扰.
• 通过域对抗训练,在模型稳定性和对未见域的概括性方面显著改进.
• 在广泛的实验中超越了现有的方法,验证了实际适用性.

结论:

• 拟议的结构光3D成像框架显著提高了概括性和稳定性.
• 域自适应对抗学习和双域注意力的集成对于具有挑战性的3D成像任务是有效的.
• 该方法为在多样化和不受控制的环境中进行高精度3D测量提供了实用解决方案.