目的 相位解包裹是从受限于周期范围且受噪声干扰的相位信息中恢复连续相位的技术,是高精度结构光三维成像的关键步骤。受设备误差和环境干扰影响,相位图易受噪声污染甚至出现大范围跳跃,给三维成像带来困难。去噪扩散模型在图像生成方...目的 相位解包裹是从受限于周期范围且受噪声干扰的相位信息中恢复连续相位的技术,是高精度结构光三维成像的关键步骤。受设备误差和环境干扰影响,相位图易受噪声污染甚至出现大范围跳跃,给三维成像带来困难。去噪扩散模型在图像生成方面表现突出,但其主要面向自然图像生成,难以保证几何模型精度,无法直接应用于相位解包裹与三维重建。此外,现有方法多依赖单频包裹相位,难以兼顾全局结构与局部细节。方法 提出一种基于条件扩散模型的多频相位解包裹方法(DiffPhase),结合三维成像实现精确的绝对相位重建。该方法将相位解包裹建模为条件引导生成任务,通过构建与扩散网络对齐的多尺度特征提取模块,并引入跨尺度交叉注意力结构,将包裹相位特征逐步融合到扩散过程,提升局部精度与全局一致性。训练采用两阶段策略,先预训练特征提取模块学习结构先验,再进行端到端优化以增强预测性能。同时设计自适应多频输入机制,有效结合低频全局轮廓与高频局部细节,抑制误差传播并提升鲁棒性。结果 在RME-multi(random matrix enlargement-multifrequency)和MoGR-multi(mixture of Gaussians with ramp-multifrequency)仿真数据集上,本文方法的归一化均方根误差分别为0.23%、0.24%;在NYU-phase(New York University-phase)和MS-phase(middlebury stereo-phase)真实数据集上分别为4.69%、7.50%,优于对比的8种深度学习及传统方法。在复杂场景中,该方法能在强噪声与遮挡下保持较高精度,尤其在细节边缘与复杂结构区域表现更优。结论 DiffPhase方法充分利用扩散模型的条件生成与全局建模能力,能够在高噪声、高复杂度场景下获得准确稳健的解包裹结果,有效提升三维重建精度与鲁棒性。展开更多
文摘目的 相位解包裹是从受限于周期范围且受噪声干扰的相位信息中恢复连续相位的技术,是高精度结构光三维成像的关键步骤。受设备误差和环境干扰影响,相位图易受噪声污染甚至出现大范围跳跃,给三维成像带来困难。去噪扩散模型在图像生成方面表现突出,但其主要面向自然图像生成,难以保证几何模型精度,无法直接应用于相位解包裹与三维重建。此外,现有方法多依赖单频包裹相位,难以兼顾全局结构与局部细节。方法 提出一种基于条件扩散模型的多频相位解包裹方法(DiffPhase),结合三维成像实现精确的绝对相位重建。该方法将相位解包裹建模为条件引导生成任务,通过构建与扩散网络对齐的多尺度特征提取模块,并引入跨尺度交叉注意力结构,将包裹相位特征逐步融合到扩散过程,提升局部精度与全局一致性。训练采用两阶段策略,先预训练特征提取模块学习结构先验,再进行端到端优化以增强预测性能。同时设计自适应多频输入机制,有效结合低频全局轮廓与高频局部细节,抑制误差传播并提升鲁棒性。结果 在RME-multi(random matrix enlargement-multifrequency)和MoGR-multi(mixture of Gaussians with ramp-multifrequency)仿真数据集上,本文方法的归一化均方根误差分别为0.23%、0.24%;在NYU-phase(New York University-phase)和MS-phase(middlebury stereo-phase)真实数据集上分别为4.69%、7.50%,优于对比的8种深度学习及传统方法。在复杂场景中,该方法能在强噪声与遮挡下保持较高精度,尤其在细节边缘与复杂结构区域表现更优。结论 DiffPhase方法充分利用扩散模型的条件生成与全局建模能力,能够在高噪声、高复杂度场景下获得准确稳健的解包裹结果,有效提升三维重建精度与鲁棒性。
