单帧HDR结构光深度学习重建

基于条纹投影轮廓术(FPP)的三维测量方法已广泛应用于工业制造领域。大多数FPP方法采用移相技术，需要多个条纹图像，因此在动态场景中的应用有限。此外，工业部件通常有高度反射的区域，导致过度曝光。本文提出了一种将FPP与深度学习相结合的单次高动态范围三维测量方法。提出的深度学习模型包括两个卷积神经网络:曝光选择网络(ExSNet)和条纹分析网络(FrANet)。ExSNet利用自注意机制增强导致过度曝光问题的高反射区域，以实现单目3D测量中的高动态范围。FrANet由三个模块组成，分别用于预测包裹相位图和绝对相位图。提出了一种直接选择最佳测量精度的训练策略。在FPP系统上的实验表明，该方法能准确预测单次曝光条件下的最佳曝光时间。测量一对移动标准球与过度曝光，以进行定量评价。该方法在大曝光范围内重建标准球，直径预测误差分别为73µm(左)和64µm(右)，中心距离预测误差为49µm。同时进行消融研究，并与其他高动态范围消融方法进行比较。

作者：天涯居士  | 来源：3DCV

在公众号「3D视觉工坊」后台，回复「原论文」即可获取论文pdf。

添加微信：dddvisiona，备注：结构光，拉你入群。文末附行业细分群。

01 引言

近年来，三维光学测量由于其非接触式和低成本的特点，引起了广泛的研究和应用。在生物医学、计算机视觉和工业制造领域，对高速三维测量的需求日益增长。条纹投影轮廓法(FPP)是目前最流行的三维光学测量方法。通过将一组条纹图像投射到物体上，FPP利用条纹分析