論文の概要: RACE-FPP: A Robust AI-assisted Characterisation Enhancement for Fringe Projection Profilometry
- arxiv url: http://arxiv.org/abs/2610.08213v1
- Date: Tue, 06 Oct 2026 12:07:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.969697
- Title: RACE-FPP: A Robust AI-assisted Characterisation Enhancement for Fringe Projection Profilometry
- Title（参考訳）: RACE-FPP: フランジ射影プロファイロメトリーのためのロバストAI支援キャラクタリゼーション強化
- Abstract要約: Fringe Projection Profilometry (FPP) は信頼性の高い3次元再構成を実現するために正確なシステム特性を必要とする。
既存のディープラーニングベースのコーナー検出器は、検知基準とカメラの再投射誤差だけで評価されるのが一般的である。
我々は、ディープラーニングに基づくコーナー検出を標準カメラのキャラクタリゼーションワークフローに組み込んだ完全なFPPキャラクタリゼーションパイプラインを導入する。
- 参考スコア（独自算出の注目度）: 1.0625549557437528
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fringe Projection Profilometry (FPP) requires precise system characterisation to achieve reliable three-dimensional (3D) reconstructions; however, characterisation accuracy strongly depends on robust checkerboard feature localisation, which can deteriorate under challenging imaging conditions such as lens blur and characterisation target orientations. Existing deep learning-based corner detectors are typically assessed using detection metrics and camera reprojection error alone, without considering their wider impact on projector characterisation, camera-projector stereo characterisation consistency, or overall measurement accuracy. In this work, we introduce a complete FPP characterisation pipeline that incorporates deep learning-based corner detection into the standard camera characterisation workflow. We also characterise the projector by sampling phase values at the centres of the white squares in the characterisation target. Rather than treating corner detection as an isolated task, the proposed framework explicitly analyses how localisation errors propagate throughout the entire FPP characterisation chain. Performance is evaluated using detection metrics (e.g., precision and recall), camera and projector reprojection errors, and the camera and projector stereo characterisation. Across a mixed dataset of clean and degraded images, the camera reprojection error is reduced from 1.237 pixels to 0.259 pixels, while the projector reprojection error is reduced by roughly 50%. Dimensional evaluation of reconstructed artefacts shows improved geometric accuracy compared with those resulting from the conventional pipeline. Overall, the findings indicate increased robustness of system-level characterisation under challenging imaging conditions, thereby enabling more reliable industrial FPP measurements.
- Abstract（参考訳）: フランジ投影プロファイロメトリー (FPP) は, 高精度なシステムキャラクタリゼーションを必要として3次元3次元再構成を実現するが, キャラクタリゼーションの精度は, レンズのぼやけやキャラクタリゼーション目標方向といった困難な撮像条件下で劣化するロバストチェッカーボードの特徴的位置決めに強く依存する。
既存のディープラーニングベースのコーナー検出器は通常、検出基準とカメラ再投射誤差だけで評価され、プロジェクターのキャラクタリゼーション、カメラ・プロジェクターのステレオキャラクタリゼーションの整合性、全体的な測定精度に大きな影響を与えない。
本研究では、ディープラーニングに基づくコーナー検出を標準カメラのキャラクタリゼーションワークフローに組み込んだ完全なFPPキャラクタリゼーションパイプラインを提案する。
また、特徴化対象の白方形の中心の位相値をサンプリングすることで、プロジェクタの特徴付けを行う。
コーナー検出を独立したタスクとして扱う代わりに、提案フレームワークは、FPPキャラクタリゼーションチェーン全体にわたって、ローカライゼーションエラーがどのように伝播するかを明示的に分析する。
検出基準(例えば精度とリコール)、カメラとプロジェクタのリジェクションエラー、カメラとプロジェクタのステレオキャラクタライゼーションを用いて、性能を評価する。
クリーンで劣化した画像の混合データセット全体において、カメラ再投影誤差は1.237ピクセルから0.259ピクセルに削減され、プロジェクター再投射誤差はおよそ50%削減される。
復元された人工物の寸法評価は,従来のパイプラインと比較すると,幾何的精度が向上した。
その結果, 撮像条件が困難な場合, システムレベルのキャラクタリゼーションの堅牢性が向上し, 工業用FPP測定の信頼性が向上した。
関連論文リスト
- OmniPoint: Universal Monocular Metric Pointcloud from Any Camera [79.24417597712802]
OmniPointは、様々な画像センサにまたがるメートル法再構成を一般化するために設計された統合されたフレームワークである。
射影剛性を克服するため、OmniPointは従来の平面深度回帰を放棄する。
代わりに、分離された訓練目標とともに、分離された光線と距離の表現を採用する。
論文 参考訳（メタデータ） (2026-09-08T19:45:58Z) - Differentiable Jitter Correction using Deep Learning-based Image Quality Metric for Phase-Contrast Micro-CT [1.5163040007517543]
本稿では,X線位相コントラストマイクロCTのためのジッタ補正法を提案する。
取得した投影データから直接、投射ごとの剛体ジッタを推定し、補償するディープラーニングベースの画像品質指標を使用する。
集積パイプラインはジッタによって失われた微細構造の詳細を確実に回収し、形態学的に異なるサンプル間で一般化を実証した。
論文 参考訳（メタデータ） (2026-08-27T12:22:02Z) - A Height-Constrained 2-Point Minimal Solver for Pose Estimation from Active LED Markers with Event Cameras [51.7262911415172]
本研究では,モーションキャプチャシステムから実世界のデータを集めるイベントベースアクティブマーカーシステムを開発した。
合成データと実データの両方の実験では、最先端のP2Pソルバよりも精度が向上した。
論文 参考訳（メタデータ） (2026-08-10T12:19:24Z) - Beyond Reprojection Error: Camera Calibration with 3D Targets [2.948448698895806]
本研究では,シーン光の予測に基づく3次元再構成に適したフレームワークを提案する。
予測されたシーン線から導かれる新しいメトリクス、再構成、交差点誤差を用いる。
コサヘドラルキャリブレーションターゲットは3次元再構成のためのキャリブレーション情報を強化するように設計されている。
論文 参考訳（メタデータ） (2026-08-05T17:12:21Z) - Ray-based phase error correction for miniaturized DOE projector-based FPP under single-directional hyperbolic projection [0.866627581195388]
小型DOEプロジェクターを用いたFPP (Fringe Projection Profilometry) システムは、しばしば重厚な位相アーティファクトに悩まされる。
プロジェクタピンホールからの射影線に沿って位相アーチファクトをモデル化するレイベース位相誤差補正フレームワークを提案する。
DOEプロジェクタを用いたFPPシステムの実験により,非線形投射条件下での復元精度が大幅に向上した。
論文 参考訳（メタデータ） (2026-07-16T15:43:07Z) - QVGGT: Post-Training Quantized Visual Geometry Grounded Transformer [5.7977296539841845]
我々は、VGGT(Visual Geometry Grounded Transformer)を圧縮するための調整量子化フレームワークであるQVGGTを紹介する。
QVGGTは、ほぼロスレスなW4A16量子化を実現し、FP32上で3$sim$4.9$times$メモリの削減と2.8$times$実際のハードウェアスピードアップを実現した。
提案手法により,エッジデバイス上での高忠実度3次元認識の実現が可能となり,実世界の制約環境におけるフィードフォワード3次元再構成モデルの実践的展開が可能となった。
論文 参考訳（メタデータ） (2026-05-29T10:32:52Z) - High-Precision 6DOF Pose Estimation via Global Phase Retrieval in Fringe Projection Profilometry for 3D Mapping [8.963676605785034]
デジタル・フェクト・プロジェクション (DFP) による3次元3次元再構成は困難であるが, 大規模化は困難である。
本研究では,固定的,内在的にグローバルなプロジェクタで移動型DFPシステムを拡張する高精度ポーズ推定手法を提案する。
論文 参考訳（メタデータ） (2026-03-12T00:07:42Z) - PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。
本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
論文 参考訳（メタデータ） (2024-10-29T15:28:15Z) - W-HMR: Monocular Human Mesh Recovery in World Space with Weak-Supervised Calibration [57.37135310143126]
モノクロ画像からの3次元運動回復のための従来の手法は、カメラ座標に依存するため、しばしば不足する。
W-HMRは、身体の歪み情報に基づいて「適切な」焦点長を予測する弱教師付き校正法である。
また,世界空間における可視的再構築のために,身体の向きを補正する OrientCorrect モジュールを提案する。
論文 参考訳（メタデータ） (2023-11-29T09:02:07Z) - ARS-DETR: Aspect Ratio-Sensitive Detection Transformer for Aerial Oriented Object Detection [55.291579862817656]
既存のオブジェクト指向オブジェクト検出手法では、モデルの性能を測定するために計量AP$_50$が一般的である。
我々は、AP$_50$は本来、角度偏差に大きな耐性があるため、オブジェクト指向物体検出には適さないと主張している。
本稿では,ARS-DETR(Aspect Ratio Sensitive Oriented Object Detector with Transformer)を提案する。
論文 参考訳（メタデータ） (2023-03-09T02:20:56Z) - Learning Camera Miscalibration Detection [83.38916296044394]
本稿では,視覚センサ,特にRGBカメラの誤校正検出を学習するためのデータ駆動型アプローチに焦点を当てた。
コントリビューションには、RGBカメラの誤校正基準と、この基準に基づく新しい半合成データセット生成パイプラインが含まれる。
深層畳み込みニューラルネットワークをトレーニングすることにより、カメラ固有のパラメータの再校正が必要か否かを判断するパイプラインの有効性を実証する。
論文 参考訳（メタデータ） (2020-05-24T10:32:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。