.png){kind=icon}
返回
Learning Deep Feature Correlation for Microscopic Structured Light Imaging
.png){kind=icon}
PRE
AI
DOI：10.1109/TII.2025.3575120.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
结构光成像是一种典型的工业3-D显微测量技术。针对结构光编解码器，已进行了大量研究以准确关联相机和投影仪像素。然而，这些方法在测量低反射率及复杂表面时性能显著下降。本文介绍了一种基于深度相关性的级联结构光网络（CasSLNet），该网络利用深度相位和列特征计算亚像素级对应关系。为缓解全相关计算成本过高的问题，提出了一种粗到精的方法。具体而言，通过伪孪生网络从相机观测序列和1-D编码模式中提取多尺度特征，并构建级联代价体积。随后从低分辨率列代价体积中回归初始列映射。基于此，引入迭代更新算子以优化初始估计，生成全分辨率列映射。此外，已收集结构光数据集，并在典型结构光成像平台上进行了实验。实验结果表明，CasSLNet在性能上优于传统方法及基于深度学习的最新方法。
Keyword:
3-D reconstruction
deep correlation
deep learning
fringe projection
structured light imaging
期刊
IF:
9.9
论文数:
8.6K
被引数:
6.0W
机构
引用论文
.png){kind=icon}
PhUn-Net: ready-to-use neural network for unwrapping quantitative phase images of biological cellsPhun-net: 用于展开生物细胞定量相位图像的现成神经网络
OAAI
OAAI分享收藏
分享收藏Deep-Learning-Based Single-Shot Fringe Projection Profilometry Using Spatial Composite Pattern使用空间复合模式的基于深度学习的单次条纹投影轮廓术
PREAI
分享收藏
查看更多内容