C-HRNet: Rede de Alta Resolução Baseada em Contextos para Desembrulho de Fase em um Único Quadro

O desembolso de fase é uma importante direção de pesquisa na profilometria por projeção de franjas. Melhorar a precisão do desembolso de fase a partir de um único mapa de fase embrulhada tem sido o foco da pesquisa. Os métodos de aprendizado profundo existentes para desembolso de fase a partir de um único mapa de fase embrulhada apresentam problemas de precisão quando lidam com ruído, a grande faixa de variação das superfícies de fase, ou áreas isoladas. Neste artigo, propomos uma nova abordagem para enfrentar esses desafios. Tratamos o problema de desembolso de fase como um problema de segmentação semântica e introduzimos uma nova etapa na rede de alta resolução. Além disso, adicionamos um módulo de representação contextual de objeto. Essa abordagem nos permite prever o mapa de ordem de franjas a partir de um único mapa de fase embrulhada sem a necessidade de qualquer pré-processamento ou pós-processamento. Nosso método pode recuperar com precisão as informações de fase de objetos sob várias condições desafiadoras. Validamos a eficácia e superioridade de nossa abordagem comparando-a com três métodos de aprendizado profundo para desembolso de fase espacial e um método tradicional de desembolso de fase espacial, qualitativa e quantitativamente.