Bayes-DIC Net：基于贝叶斯神经网络估计数字图像相关不确定性

本文提出了一种基于非均匀B样条曲面生成高质量数字图像相关（DIC）数据集的新方法。通过随机生成控制点坐标，我们构建了涵盖多种真实位移场景的位移场，这些位移场随后被用于生成散斑图案数据集。该方法能够生成大规模数据集以捕捉真实世界的位移场情况，从而增强基于深度学习的DIC算法的训练和泛化能力。此外，我们提出了一种新的网络架构，称为Bayes-DIC Net，它在下采样阶段提取多层次信息，并通过上采样阶段中的单条跳跃连接促进各层级信息的聚合。Bayes-DIC Net包含一系列轻量级卷积块，旨在扩大感受野并捕获丰富的上下文信息，同时最小化计算成本。此外，通过将适当的Dropout模块集成到Bayes-DIC Net中并在其推理阶段激活，Bayes-DIC Net被转换为贝叶斯神经网络。这一转换使网络在处理真实无标签数据集时，不仅能够提供预测结果，还能提供这些预测的置信水平。这一特性显著增强了我们的网络在实际位移场预测任务中的实用性和可靠性。通过这些创新，本文为DIC领域的数据集生成和算法性能提升提供了新的视角和方法。