基于结构光图像的临床面部登记新方法
本文提出了一种融合低质量 3D 数据的人脸识别系统,通过设计 PointNet-like 深度注册网络(DRNet)和 AMSoftmax 卷积神经网络,实现更高的准确率。
Oct, 2018
图像与点云之间的特征匹配问题是图像到点云配准的基本问题。通过预训练的大规模模型来统一图像和点云之间的模态,并在同一模态内建立可靠的对应关系。我们利用深度到图像扩散模型提取的中间特征即扩散特征在图像和点云之间具有语义一致性,这使得粗糙但稳健的跨模态对应关系的建立成为可能。在由单目深度估计器产生的深度图上进一步提取几何特征,通过匹配这些几何特征,显著提高了扩散特征产生的粗糙对应关系的准确性。在三个公共室内外基准测试上,通过直接利用这两种特征,该方法平均提高了 20.6%的内点比率、三倍的内点数目和 48.6%的配准召回率相比现有最先进方法。
Oct, 2023
深度学习在增强现实引导手术中的应用可能性进行了评估,通过使用医学成像和基于 HoloLens 2 的点云数据集来研究深度学习点云对图像到患者注册的效果,并发现在具有挑战性的数据集上传统注册流程仍然优于某些深度学习方法。
May, 2024
我们提出了一种新颖的方法,通过学习预期的外观来进行术中患者到图像的注册。我们的方法利用术前成像合成手术显微镜下的特定于患者的预期视图,针对一系列预测的变换。我们的方法通过最小化光学显微镜下术中 2D 视图与合成预期纹理之间的差异来估计相机姿态。与传统方法相比,我们的方法将处理任务转移到术前阶段,从而减少低分辨率、扭曲和噪声术中图像的影响,这些因素通常会降低注册精度。我们在脑外科手术中的神经导航背景下应用了该方法。我们在合成数据和 6 个临床病例的回顾性数据上评估了我们的方法。我们的方法优于现有方法,并达到了当前临床标准的准确性。
Oct, 2023
本文提出了 DeepI2P:一种新的图像和点云之间的跨模态配准方法。通过将配准问题转化为分类和逆投影优化问题,并使用分类神经网络来对点云中的每个点进行分类。通过这种方法估计相对刚性变换,进而解决了图像和点云之间特征描述缺失的问题。实验结果表明了我们方法的可行性。
Apr, 2021
本研究提出了一种新的方法,使用粗到细的优化策略,从不受限制的 2D 图像中重建 3D 人脸,包括利用基于示例的双线性人脸模型生成光滑的粗糙 3D 人脸,使用局部修正变形场对其进行精细化处理和使用形状 - 从 - 阴影方法恢复细节,实现了真实世界模型和公共可用数据集的精度和细节恢复方面的领先水平。
Feb, 2017
在这篇论文中,我们提出了一种基于光度立体技术的轻量级策略,仅需要稀疏输入或单个图像即可恢复近场光下高保真度的面部形态。通过构建包含 84 个不同主题和 29 种表情的数据集,我们提出了一个专门设计用于光度立体基于 3D 面部重建的新型神经网络。广泛的实验和比较表明,我们的方法可以生成高质量的重建结果。
Mar, 2020
本研究提出了一种名为 I2PNet 的新型端对端 2D-3D 注册网络,该网络能够精确定位机器人并在相机 - LiDAR 在线校准方面表现出色。
Jun, 2023
本文提出了一组新的质量标准,允许更详细地分析深度图的特定特征,以便评估最先进的单图像深度估计方法,并提供了一个新的高质量 RGB-D 数据集。实验结果显示了我们提出的评估协议的有效性。
May, 2018