结构光三维重建技术广泛应用于智能制造、自动驾驶、人脸识别等领域。条纹投影轮廓测量作为主要的结构光3D重建技术之一，因其稳定性和高精度在工业和科研中得到了广泛应用。然而，条纹轮廓测量的前提是获取精准的调制图案，这一过程中，受到相机成像动态范围的限制，尤其是对于具有不同表面反射率的物体，重建效果往往不理想，极大地限制了其在复杂场景中的应用，特别是在工业零部件的测量中，传统的多次曝光图案合成方法效率低，难以满足快速和高精度的需求。因此，如何快速准确地获取高动态范围图像，成为提升三维测量精度的关键挑战。深度神经网络作为数据驱动的方法，已成为提升高动态范围（HDR）场景下快速高精度测量的重要方向。

近日，清华大学深圳国际研究生院李星辉副教授团队与鹏城实验室合作提出了一种基于深度学习的HDR结构光三维重建网络——高动态范围结构光网络（HDRSL-Net）。该网络包含HDR条纹生成模块和相位求解模块。HDR条纹生成模块通过长短曝光的低动态范围条纹图输入，利用注意力权重引导网络聚焦于高反射物体的低曝光条纹和低反射物体的高曝光条纹特征，同时通过特征层的权重蒸馏约束特征边界，从而合成具有相位特征的HDR条纹，显著减少所需曝光次数。相位求解模块则解算重建后的HDR条纹图案中的相位信息。最终，HDRSL-Net保留了传统多次曝光相移方法的高精度和抗干扰性，将所需条纹图案由传统的K×N×M减少至2×N×1，大幅提升了测量速度。

图1.HDRSL Net网络结构

针对当前缺乏HDR场景结构光数据集的问题，研究团队基于工业应用场景，搭建了面向HDR场景的结构光测量系统，并整理了包含1700组金属物体的结构光数据集。该数据集涵盖不同反射率材料、机加工特征、形状和尺寸，每个物体采用4次曝光、4频、12步相移法处理，结果作为真值数据。该数据集可作为HDR场景测量的结构光基准数据集。

图2.HDR结构光测量系统

图3.金属数据集（a）-（e）为高反射（铝合金、不锈钢、镀镍合金、铝、黄铜）；（f）和（g）为低反射材料（氧化镁合金、铸铁）

在金属数据集上，HDRSL-Net能同时重建高反射率、正常反射率和低反射率物体的HDR条纹，并精确求解其绝对相位和三维形貌。该方法在金属数据集上实现了MAE 0.0105的相位误差，接近传统6步相移法，同时仅需8.3%的条纹图案，并通过实验验证了其抗反射干扰的能力。此外，HDRSL-Net在公开的石膏数据集上达到了接近传统4步相移法的相位精度，并在标准件物体（如球体、平面、金属阶梯）上实现了sub50微米的三维重建精度，显著优于现有面向HDR场景的各种结构光网络。该方法不仅保留了多步PSP方法的高精度与抗干扰性，还显著减少了对投影条纹图样的依赖，推动了深度学习结构光方法的实际应用。

图4. 不同反射率物体结果（1）物体图；（2）HDR生成模块重建条纹；（3）绝对相位误差；（4）重建的三维点云

图5.HDRSL Net抗金属互反射特性验证

研究成果以“HDRSL-Net基于高动态范围成像的高精度结构光三维重建”（HDRSL-Net for Accurate High Dynamic Range Imaging-based Structured Light 3D Reconstruction）为题，于8月25日发表于《IEEE图像处理》（IEEE Transactions on Image Processing）。

清华大学深圳国际研究生院2023级博士生王浩为论文第一作者，深圳国际研究生院副教授李星辉为论文通讯作者，鹏城实验室副研究员梁骁俊为共同通讯作者。其他作者包括鹏城实验室助理研究员张超波，清华大学深圳国际研究生院副教授钱翔、教授王晓浩，中南大学桂卫华院士及鹏城实验室高文院士。研究得到深圳市自然科学基金项目、鹏城实验室重大攻关项目等的支持。