面向 fringe 投影轮廓测量的全面机器学习基准测试：基于光栅逼真合成数据

Fringe projection profilometry (FPP) 的机器学习方法受限于缺乏大规模、多样化的数据集及标准化的基准测试协议。本文引入首个开源、光栅逼真的合成数据集用于FPP，使用NVIDIA Isaac Sim生成，包含15,600个棋盘图像和300个深度重建，覆盖50个对象。我们将该数据集应用于单张FPP，模型可直接从单个棋盘图像预测3D深度图，而无需时间相位移。通过系统性消融研究，我们确定长距离(1.5-2.1米)深度预测的最优学习配置。我们比较了三种深度归一化策略，表明单对象归一化——即将对象形状与绝对尺度解耦——比原始深度在对象重建精度上提升了9.1倍。我们进一步表明，移除背景棋盘图案会在所有归一化方法下严重降低性能，表明背景棋盘图案提供了essential的空间相位参考，而非噪声。我们评估了六种损失函数，确定Hybrid L1 loss为最优。采用最佳配置后，我们对比了四种网络架构，发现UNet achieves最强性能，尽管误差仍远高于经典FPP的亚毫米精度。网络架构之间的小性能差距表明，主要限制因素是信息不足而非模型设计：单个棋盘图像缺乏足够信息进行准确深度恢复，需显式相位线索。本工作提供了统一的基准测试框架，并提供动机将相位基于FPP与学习型方法结合。数据集地址为https://huggingface.co/datasets/aharoon/fpp-ml-bench，代码地址为https://github.com/AnushLak/fpp-ml-bench。