多尺度代价聚合的多聚焦图像3维形貌重建框架

作     者：闫涛 尚起慧 吴鹏 张江峰 钱宇华 陈斌 

作者机构：山西大学大数据科学与产业研究院 山西大学计算机与信息技术学院 哈尔滨工业大学重庆研究院 哈尔滨工业大学(深圳)国际人工智能学院 

出 版 物：《计算机研究与发展》 (Journal of Computer Research and Development)

年 卷 期：2025年

核心收录：

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

基　　金：国家自然科学基金重点项目(62136005) 国家自然科学基金项目(62472268) 科技创新2030-重大项目(2021ZD0112400) 中央引导地方科技发展资金项目(YDZJSX20231C001,YDZJSX20231B001) 山西省省筹资金资助回国留学人员科研项目(2024-020) 山西省研究生教育创新计划项目(2024KY036) 

主　　题：多尺度代价聚合 深度估计 聚焦测量 多聚焦图像序列 3维形貌重建 

摘      要：多聚焦图像3维形貌重建旨在利用不同聚焦水平的图像序列恢复场景的3维结构信息.现有的3维形貌重建方法大多从单一尺度对图像序列的聚焦水平进行评价，通过引入正则化或后处理方法引导重建过程，由于深度信息选择空间的局限性往往导致重建结果无法有效收敛.针对上述问题，提出一种多尺度代价聚合的多聚焦图像3维形貌重建框架MSCAS（multi-scale cost aggregation framework for shape from focus），该框架首先引入非降采样的多尺度变换增加输入图像序列的深度信息选择空间，然后联合尺度内序列关联与尺度间信息约束进行代价聚合，通过这种扩张-聚合模式实现了场景深度表征信息的倍增与跨尺度和跨序列表征信息的有效融合.作为一种通用框架，MSCAS框架可实现已有模型设计类方法和深度学习类方法的嵌入进而实现性能提升. 实验结果表明：MSCAS框架在嵌入模型设计类SFF方法后4组数据集中的均方根误差RMSE（root mean squared error）平均下降14.91%，结构相似性SSIM（structural similarity index measure）平均提升56.69%，嵌入深度学习类SFF方法后4组数据集中的RMSE平均下降1.55%，SSIM平均提升1.61%.验证了MSCAS框架的有效性和通用性.