[論文レビュー] Deep Learning-based Single-Shot Composite Fringe Projection Profilometry with Pixel-Wise Uncertainty Quantification

Kong X-L, Qingkang Bao+3 more|arXiv (Cornell University)|Jan 5, 2026

Optical measurement and interference techniques被引用数 0

ひとこと要約

この論文は、単一の複合縞から絶対位相を再構成し、信頼性評価のためのピクセル単位の不確かさマップを提供する、ヘテロセシダスなスナップショット・アンサンブル網 HSURE-CFPP を導入する。

ABSTRACT

Driven by the growing demand for high-speed 3D measurement in advanced manufacturing, optical metrology algorithms must deliver high accuracy and robustness under dynamic conditions. Fringe projection profilometry (FPP) offers high precision, yet the 2pi ambiguity of the wrapped phase means that conventional absolute phase recovery typically relies on multiple coded patterns, sacrificing temporal resolution. Deep learning-based composite FPP (CFPP) shows promise for single-shot phase recovery from a composite fringe, but limited interpretability makes it difficult to assess reconstruction reliability or trace error sources in the absence of ground truth. To address this, we propose HSURE-CFPP (Heteroscedastic Snapshot-ensemble Uncertainty-aware Ratio Estimation for CFPP). HSURE-CFPP predicts the numerator-denominator ratio used for wrapped-phase computation with a heteroscedastic snapshot-ensemble network, enabling ultra-fast 3D imaging from a single composite fringe and producing pixel-wise uncertainty maps for confidence assessment and unreliable-region identification. Specifically, a heteroscedastic likelihood jointly estimates pixel-wise noise variance to capture data uncertainty, while a snapshot ensemble quantifies model uncertainty via dispersion across snapshots, yielding total predictive uncertainty as an interpretable reliability measure. Experiments on static and dynamic scenes demonstrate that HSURE-CFPP achieves high-accuracy reconstruction at high speed and that the predicted uncertainty correlates well with reconstruction errors, providing a deployable quality-assessment mechanism for deep-learning-based FPP.

研究の動機と目的

• ダイナミック条件下で高精度なリアルタイム3D測定を動機付ける。
• 深層学習ベースのフリンジプロジェクションプロfilometry (FPP) の不確実性量化を提供する。
• 複合縞パターンから単 shot 絶対位相を信頼性高く回復できる。
• 地上真データなしでも展開可能な高速・解釈性の高い手法を開発する。

提案手法

• 階層周波数複合縞（HFCF）を投影して1フレームに複数の位相手情報を符号化する。
• HSU-Net を使用する。これは wrapped phase 成分（N, D）ごとの平均と対数分散を予測するヘテロセシダス回帰ヘッドを持つ U-Net バックボーン。
• ベイズ的な重み後方分布を用いずにモデルの不確実性を定量化するため、複数の学習エポックに渡るスナップショットアンサンブルを適用する。
• 複数の変調周波数で atan2(N, D) による wrapped phases を計算し、3 周波数の時間的位相展開（TPU）を実施する。
• ピクセル単位のデータとモデル不確実性を1次誤差伝搬で伝播させ、ピクセル単位の位相不確実性マップを得る。
• 平均には MSE、不確実性には ヘテロセシダック NLL を組み合わせた混合損失で訓練し、分散を較正する。
• HFCF の周波数設計を行い、スペクトルリークを最小化し TPU の頑健性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 単一ショットの複合縞パターンで TPU を用いた絶対位相の正確な回復が可能か。
• RQ2 ヘテロセシダスなスナップショットアンサンブルネットワークは CFPP 出力のピクセル単位の信頼性マップを提供できるか。
• RQ3 提案手法 HSURE-CFPP は静的シーンと動的シーンの両方で、解釈可能な信頼性指標を出力しつつどの程度性能を発揮するか。
• RQ4 階層的周波数設計がスペクトル漏洩と再構成安定性に与える影響はどの程度か。
• RQ5 ground-truth 3D データがなくても不確実性出力は品質評価に有用か。

主な発見

• HSURE-CFPP は単一の複合縞から迅速かつ高精度な3D再構成を実現する。
• ピクセル単位の不確実性マップは再構成誤差と相関し、地上真データなしでも信頼性評価を可能にする。
• スナップショットアンサンブルとヘテロセシダスモデル化は、各ピクセルで解釈可能な総不確実性を提供する。
• HFCF 設計はスペクトルアリアシングを低減し、絶対位相復元のための TPU の頑健性を向上させる。
• 位相への不確実性の伝搬は位相領域の信頼マップを生み、再構成ウェイト付けに適している。