研究目的
开发一种基于生成对抗网络（GAN）超分辨率技术的方法，用于从低分辨率光场图像重建高分辨率三维皮肤表面，以实现医学诊断中的触诊功能。
研究成果
该方法利用基于生成对抗网络的超分辨率技术，成功从低分辨率光场图像中重建出三维皮肤表面，在医学诊断的触诊应用方面展现出前景，未来研究中有望进一步改进。
研究不足
当前系统在获取完美3D信息方面存在局限；未来工作包括将深度学习应用于光场原始数据解码，并利用更多信息以获得更优质量。
1：实验设计与方法选择：
本研究采用光场相机采集皮肤图像，应用基于生成对抗网络（GAN）的超分辨率技术提升图像质量，通过相位偏移和代价函数计算视差图，并利用孔洞填充与加权中值滤波对视差图进行优化以实现三维重建。
2：样本选择与数据来源：
使用Lytro相机采集的真实光场皮肤图像；训练数据包含ImageNet数据库中的35万张图像。
3：实验设备与材料清单：
第一代Lytro相机、配置Intel i7 4.00 GHz CPU、32 GB内存、NVIDIA GeForce GTX 1060 3 GB显卡的计算机；软件：Python（用于GAN）、Matlab（用于其他算法）。
4：00 GHz CPU、32 GB内存、NVIDIA GeForce GTX 1060 3 GB显卡的计算机；软件：
4. 实验流程与操作步骤：解码原始光场数据，校正镜头畸变，应用GAN超分辨率技术，采用ZSAD和GRAD代价函数结合多标签优化计算视差图，执行孔洞填充与优化处理，最后通过纹理映射实现三维重建。
5：实验流程与操作步骤：
5. 数据分析方法：对超分辨率图像和视差图进行定性对比，采用均方误差（MSE）对视差图进行定量评估。
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-
Lytro camera
1st generation
Lytro
Capturing light field images of skin for 3D reconstruction
-
Computer
Running algorithms for super resolution and disparity computation
-
Python
Implementing GAN-based super resolution
-
Matlab
Implementing other algorithms for decoding, distortion correction, and disparity computation
-
登录查看剩余2件设备及参数对照表
查看全部
