利用神经网络进行透明形状的光散射重建

准确表征流动中细长纤维与薄片的3D形变，是含颗粒流研究中的一项关键实验挑战。我们提出一种高分辨率、单相机的方法，非侵入式地可视化透明皱缩薄片在平移、旋转与变形时的形状。我们通过以远快于其形变速率的序列层状光片照射该皱缩形状，并近乎正交于照明平面的一平面内对其散射光信号成像，从而对其进行周期扫描。利用针孔相机模型处理数据，得到薄片强变形、随时间演化表面的含噪时空数据集，我们随后用神经自编码器在3D中重建它。我们利用合成数据集验证了形状重建算法对噪声的鲁棒性，并展示了对弹性圆盘实验室沉降实验的准确重建。我们发现，将等距性强制惩罚项纳入自编码器的代价函数，使我们能鲁棒地重建高度折叠、薄片不同区域相互重叠的形状。