Применение нейросетевых методов для восстановления 3D-характеристик объектов по стереоизображениям

Восстановление трехмерных характеристик объектов на основе стереоскопических изображений является важной и актуальной задачей в области компьютерного зрения. В данной работе рассмотрены современные методы, основанные на нейронных сетях, для эффективного решения данной проблемы. Проведен комплексный анализ существующих подходов, терминологии и методологических основ, используемых в данной области исследования. В качестве нововведения предложена оригинальная архитектура сверточной нейронной сети, которая включает в себя несколько взаимосвязанных блоков. Эти блоки выполняют функции построения карт диспаратности, сегментации изображения и уточнения геометрической структуры, опираясь на методы топологической оптимизации и построение графов изображений. Экспериментальные результаты, полученные на популярных тестовых наборах данных Middlebury и KITTI 2015, демонстрируют превосходство предложенной методики по сравнению с существующими решениями. В частности, были достигнуты высокие показатели точности восстановления карт глубины, где доля неверных пикселей составила менее 2,5% при дальности объектов до 30 метров, а плотность реконструкции в неперекрытых областях превысила 92%. Эти показатели указывают на преимущество подхода перед существующими аналогами, что особенно важно для систем автономного вождения и робототехники, где необходима корректная оценка рельефа окружающей среды. Практическое применение решения охватывает 3D-моделирование городских пространств, мониторинг транспортных потоков и другие направления, требующие надежной информации о геометрии наблюдаемых объектов. Предложенный подход может стать основой для создания более надежных и эффективных систем, работающих в реальных условиях.