Zusammenfassung Deep Learning hat erhebliche Fortschritte in der Fringe-Projection-Profilometrie (FPP) ermöglicht, was schnelle und präzise Rekonstruktionen selbst in unkontrollierten Umgebungen erlaubt. Aktuelle Deep-Learning-Modelle fehlen jedoch oft an Interpretierbarkeit, und ihre Präzision und Übertragbarkeit in der FPP sind suboptimal. Diese Übersichtsarbeit zielt darauf ab, die Lücke zwischen dem Potenzial und der praktischen Anwendung von Deep-Learning-Methoden in der FPP zu schließen, indem sie die Fortschritte in der tiefenlern-gesteuerten Einzelbild-FPP umfassend untersucht. Wir entwickeln Methoden zur Erstellung von Datensätzen und erkunden moderne neuronale Netzwerke, einschließlich physik-verbesserter Architekturen. Um optimale Modelle für verschiedene FPP-Aufgaben zu identifizieren, analysieren wir kritisch verschiedene Metriken und Benchmarking. Wir befassen uns auch mit Generalisierungstechniken wie Transferlernen und schlagen vor, große Vision-Modelle zu nutzen, um die Vorlaufkosten zu senken und die Leistung von FPP-Systemen zu verbessern. Durch die Vorschläge dieser Fortschritte strebt diese Übersichtsarbeit an, die praktische Übernahme von Deep-Learning-gesteuerten FPP zu fördern und den Weg für transformative Anwendungen in industriellen, medizinischen und wissenschaftlichen Bereichen zu ebnen.
Li et al. (Tue,) untersuchten diese Frage.