基于双分支网络的双射灯3D形状测量
计算机视觉与模式识别
2024-07-22 v1
摘要
基于深度学习的结构光（SL）三维（3D）测量技术已被广泛研究，以提高测量效率，其中条纹投影轮廓测量（FPP）和散斑投影轮廓测量（SPP）是两种流行方法。然而，这些方法通常仅使用单一投影图案进行重建，导致条纹阶数歧义或重建精度较差。为缓解这些问题，我们提出一种并行双分支卷积神经网络（CNN）-Transformer网络（PDCNet），利用卷积运算和自注意力机制处理不同的SL模式。在PDCNet中，Transformer分支用于捕获条纹图像中的全局感知，而CNN分支设计用于收集散斑图像中的局部细节。为充分整合互补特征，我们设计了双流注意力聚合模块（DAAM），其包括用于聚合多尺度空间结构信息的平行注意力子网络。该模块能够在最大程度上保留局部和全局表示。此外，我们提出了一个具有双模态高斯分布的自适应混合密度头，用于学习在连续处精确的表示。与标准视差回归策略相比，这一自适应混合头能有效提高在物体边界处的性能。大量实验表明，我们的方法能够在自制数据集上减少条纹阶数歧义，同时产生高精度结果。
引用
@article{arxiv.2407.14197,
title = {A Benchmark for Gaussian Splatting Compression and Quality Assessment Study},
author = {Qi Yang and Kaifa Yang and Yuke Xing and Yiling Xu and Zhu Li},
journal= {arXiv preprint arXiv:2407.14197},
year = {2024}
}