研究目的
开发一种基于准稠密匹配的实时三维重建方法，专门针对微创手术数据优化GPU处理速度。
研究成果
准密集GPU方法实现了与最先进CPU方法精度相当的实时三维重建，适用于对质量和速度都至关重要的微创手术应用。未来工作可针对异常值减少及复杂手术场景的进一步优化展开研究。
研究不足
该方法可能因传播队列中的部分排序而产生异常值，且对真实微创手术环境中的组织形变、反光、血液、烟雾和遮挡等挑战较为敏感。其性能取决于GPU能力，同时缺乏用于训练机器学习方法的微创手术数据。
1：实验设计与方法选择：
该方法基于准稠密立体匹配技术，通过CUDA实现GPU并行计算。首先采用Shi-Tomasi特征检测与Lucas-Kanade光流法进行稀疏特征匹配，随后使用零均值归一化互相关（ZNCC）进行稠密匹配以实现视差传播。
2：样本选择与数据来源：
使用三个数据集——变形硅心脏模拟数据（360×288像素，校正为301×227）、包含肾脏/肝脏/脾脏仿体的EndoAbs数据集（640×480像素，校正为388×272），以及猪子宫角视频（640×480像素，校正为480×396）。前两个数据集配有激光扫描真值数据。
3：7）、包含肾脏/肝脏/脾脏仿体的EndoAbs数据集（640×480像素，校正为388×272），以及猪子宫角视频（640×480像素，校正为480×396）。前两个数据集配有激光扫描真值数据。 实验设备与材料清单：
3. 实验设备与材料清单：配备12核Intel Xeon E5-1650 CPU和64GB内存的NVIDIA Titan X显卡；另在Intel i5-6600（8GB内存）与NVIDIA GTX 1060显卡组合上测试。
4：实验流程与操作步骤：
图像校正后，通过优先级队列和ZNCC度量进行稀疏特征检测匹配及视差传播；CUDA内核采用共享内存、固定内存及数据传输重叠等优化实现并行计算。
5：数据分析方法：
定量评估采用视差/深度的平均误差（ME）与标准差、重建点百分比及执行时间；无真值数据集则进行定性评估。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
NVIDIA Titan X
Titan X
NVIDIA
GPU used for parallel computation in the CUDA-based implementation of the method.
-
NVIDIA GTX 1060
GTX 1060
NVIDIA
GPU used for additional performance testing.
-
Intel Xeon E5-1650
E5-1650
Intel
CPU used for testing the performance of the 3D reconstruction method.
-
Intel i5-6600
i5-6600
Intel
CPU used for additional performance testing.
-
登录查看剩余2件设备及参数对照表
查看全部
