Subset-based Smart-DIC vs. deep learning-based DIC: Which is better?

doi:10.1016/j.optlaseng.2026.109896

Subset-based Smart-DIC vs. deep learning-based DIC: Which is better?

2026-05-01

1

PRE

AI

Bing Pan (Bing Pan) *

DOI：10.1016/j.optlaseng.2026.109896

原文链接

原文求助

摘要

En 中文

数字图像相关（DIC）技术依赖于图像匹配/配准/跟踪算法来追踪不同散斑图像中的对应物理点。在各种实现中，基于子集的DIC算法已被广泛研究、持续改进，并在大多数商业DIC软件中得到广泛应用。Smart-DIC代表了该类别中的最新进展，通过自适应参数选择实现用户无关且精确的测量。近年来，深度学习的兴起为DIC领域开辟了新的前沿。基于深度学习的DIC（DL-DIC）方法能够实现逐像素和端到端的位移测量。在关于DL-DIC的一些研究中，与基于子集的DIC的比较仅限于变形精度和/或空间分辨率。此外，这些研究中的基于子集的方法需要手动设置关键参数，包括子集大小和形状函数阶数，这引入了潜在偏差并限制了评估的客观性。此外，这些DL-DIC网络在精度、位移范围和泛化能力方面存在局限性。为解决这些局限性，G-RAFT最近被提出，以提供具有大位移范围的精确DIC测量，代表了当前最新的DL-DIC。在本工作中，我们在受控模拟和真实实验条件下首次系统性地比较了Smart-DIC和G-RAFT，评估了它们在噪声鲁棒性、散斑泛化性、变形精度和计算效率方面的性能。实验结果表明，当变形能被形状函数良好近似时，Smart-DIC实现更高精度，并在低质量散斑上表现出更强的泛化能力，而G-RAFT在复杂变形场景中表现优异，并显著提高了计算效率。这些发现为不同应用中的图像匹配算法选择提供了实用指导，并强调了结合Smart-DIC的鲁棒性和G-RAFT建模灵活性的混合方法潜力。

Keyword:

Digital image correlation

Subpixel displacement measurement

Self-adaptive optimization

Deep learning

Subset-based Smart-DIC vs. deep learning-based DIC: Which is better?

摘要

期刊

机构

引用论文