基于轻型自限制注意力的结构光相位及深度估计混合网络

作     者：朱新军 赵浩淼 王红一 宋丽梅 孙瑞群 ZHU Xin-jun;ZHAO Hao-miao;WANG Hong-yi;SONG Li-mei;SUN Rui-qun

作者机构：天津工业大学人工智能学院天津300387 

出 版 物：《中国光学（中英文）》 (Chinese Optics)

年 卷 期：2024年第17卷第1期

页      面：118-127页

核心收录：

学科分类：0810[工学-信息与通信工程] 081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0702[理学-物理学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(No.61905178) 天津市教委科研计划项目(No.2019KJ021) 

主　　题：结构光 深度学习 自限制注意力 相位估计 深度估计 

摘      要：相位提取与深度估计是结构光三维测量中的重点环节,目前传统方法在结构光相位提取与深度估计方面存在效率不高、结果不够鲁棒等问题。为了提高深度学习结构光的重建效果,本文提出了一种基于轻型自限制注意力(Light Self-Limited-Attention,LSLA)的结构光相位及深度估计混合网络,即构建一种CNN-Transformer的混合模块,并将构建的混合模块放入U型架构中,实现CNN与Transformer的优势互补。将所提出的网络在结构光相位估计和结构光深度估计两个任务上进行实验,并和其他网络进行对比。实验结果表明:相比其他网络,本文所提出的网络在相位估计和深度估计的细节处理上更加精细,在结构光相位估计实验中,精度最高提升31%;在结构光深度估计实验中,精度最高提升26%。该方法提高了深度神经网络在结构光相位估计及深度估计的准确性。