通过多极化成像和基于物理的零样本学习实现单次曝光高动态范围3D测量

《Laser & Photonics Reviews》：Single-Exposure High-Dynamic-Range 3D Measurement via Multi-Polarization Imaging and Physics-Informed Zero-Shot Learning

光学3D传感中提出单次曝光全分辨率多极化（FM）成像方法，通过消除镜面反射避免3/4像素损失和视场误差，结合基于物理信息零样本学习的混合修复算法，协同解决曝光不足和过曝问题，实验验证其在效率、分辨率、真实性和泛化能力上的优越性。

　　

摘要

在光学3D传感中，高效且高精度地重建高动态范围（HDR）场景至关重要。现有的HDR方法需要融合多次曝光的图像或在大量数据集上训练网络。为此，本文提出了一种单次曝光全分辨率多极化条纹增强方法，首次建立了硬件与算法的有效协作机制，用于HDR 3D测量。具体来说，在硬件部分，提出了一种全分辨率多极化（FM）成像方法。与传统多极化调制方法不同，该方法避免了3/4像素的损失和瞬时视场误差。此外，通过消除镜面反射，能够捕获更可靠的场景信息，尤其是在过曝区域，这显著减轻了条纹修复算法的负担。在算法部分，提出了一种基于物理信息零样本学习的混合修复算法。该算法将相位恢复的物理先验、FM条纹噪声和深度神经网络结合到双流网络架构中，使其能够在无需任何数据集预训练的情况下解决FM条纹的欠曝和过曝问题。因此，硬件调制和算法优化的优势得到了充分整合。在具有复杂反射率的静态和动态场景上的实验表明，该方法在效率、分辨率、保真度和泛化能力方面具有优越性。

图形摘要

提出了一种单次曝光全分辨率多极化（FM）条纹增强方法，建立了用于HDR 3D测量的硬件-算法协作机制。具体而言，FM成像方法用于消除镜面反射，并避免3/4像素的损失和瞬时视场误差。此外，基于物理信息零样本学习设计了混合修复算法，进一步解决了FM成像中的曝光问题。

利益冲突

作者声明没有利益冲突。