基于结构光相机与隐式表面重建的室内建模

深度相机在室内建模领域中以其快速、精准、鲁棒的特性而备受青睐。然而,在实际应用中,深度相机在获取精准深度信息时面临诸多挑战,如环境光干扰、点云噪声众多以及深度缺值。针对上述问题,提出了一种新型的结构光神经隐式表面(SL-NeuS)重建方法。通过结合广泛的三维重建技术,包括多目立体视觉(MVS)、神经网络、神经辐射场和神经隐式表面(NeuS),克服了现有技术在室内建模中的局限性。特别地,利用基于可微分循环优化启发设计的同步定位和建图(DROID-SLAM)算法精确获取相机外参,并结合单目深度估计和单目法向估计先验信息,有效地实现了精确的室内三维建模。实验结果显示,SL-NeuS重建方法在不同深度相机的性能分析中表现优越,成功降低了环境光影响和光学失真对建模精度的干扰。应用该方法对各种室内场景进行建模,误差可控制在极小范围内,实现了高精度的室内三维重建。本方法不仅提高了室内建模的准确性,还大幅减少了训练时间,为数字建筑和数字导航等领域提供了重要的技术支持。

基于Transformer的证件图像无检测文字识别

深度学习在图像识别的现存模型中,都有检测和识别两个过程,且需借助复杂的网络结构、大量的文本框标注来提高识别准确率。文中针对存在的问题提出了一个简单且鲁棒性强的证件图片无检测文字识别方法,通过嵌入二维特征图中不同序列位置的水平、竖直方向位置编码,将不同子空间的特征表达连接到序列解码器,解码器部分加入了全局上下文模块,网络模型能并行训练并可以快速收敛,通过插入特殊符号直接得到结构化的字段,简化了信息后处理流程,单张图片识别时间在122ms左右。测试结果表明,模型在身份证扫描件文本图像识别上表现出优越的性能。

基于高清先验的高速公路视频增强:去雾、去沙尘与超分辨率一体化方法

真实的高速公路视频处理任务,面对多样且复杂的退化情况,往往将对齐多帧图像和融合输入帧图像作为设计的重要内容,但是这种方法通常包含复杂的网络设计和大量的参数。本文提出一种基于高清先验的高速公路视频增强一体化方法,在更紧凑的特征空间中,利用相邻帧的信息恢复真实的高分辨率视频。与以往的研究不同,本文的方法在预训练的高分辨率先验网络基础上,将低分辨率的图像特征和对应相邻两帧高分辨图像特征进行匹配,然后对匹配特征进行解码,进行高速公路视频的恢复与超分辨率。实验结果表明本方法能够提高视频的重建质量,产生更清晰、逼真的高分辨率视频。

残余应力对材料与装备制造失效影响的思考

残余应力作为材料失效因素之一,对失效寿命有负面和正面影响。现阶段中国提出了高质量发展的新要求,在材料和装备制造领域,残余应力作为一个技术工艺因素与高质量发展息息相关。试图从残余应力的来源、利弊、测量和调控等方面提出自己的一些思考见解,供大家参考。现阶段应高度重视残余应力与精密度的关系,促进材料与装备制造质量升级。