M3D:微观3D形状重建的基准数据集和模型

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
• 材料科学 材料科学 材料科学

背景情况:

• 使用距离焦深度 (DFF) 的微观3D形状重建对于精密制造至关重要,但由于缺乏合适的数据集,当前的模型存在困难.
• 现有的DFF数据集在光学设计,成像原理和场景特征方面与显微镜成像有很大不同,这限制了模型的性能.

研究的目的:

• 引入一个新的微观 DFF 数据集 (M3D) 和相应的深度学习网络 (M3DNet).
• 解决现有的DFF数据集和模型在微观3D形状重建任务中的局限性.

主要方法:

• 使用定制显微设备构建的M3D数据集,包含1,952个多焦图像序列,深度标签来自3D TFT算法,并根据设计值进行验证.
• 开发了M3DNet,这是一个频率感知,端到端的网络,旨在应对诸如微观成像固有的浅景深和弱纹理等挑战.

主要成果:

• M3D数据集成功地弥合了宏观和微观DFF应用程序之间的差距.
• 通过增强的全球特征提取,M3DNet证明了快速聚焦衰变的有效捕获,并提高了公共DFF数据集的性能.
• 在具有挑战性的极端成像条件下,M3DNet表现出强大的稳定性.

结论:

• M3D数据集和M3DNet显著推进了微观3D形状重建领域.
• 这些贡献使DFF技术在精密制造和质量控制中得到更广泛的应用.
• 开发的资源是公开可用的,用于进一步的研究和开发.