原标题：新方法显著提升三维形貌重建精度 随着智能制造、虚拟现实等技术的发展，宏观/微观跨尺度三维形貌重建面临三大挑战：一是成像 特征差异大，宏观场景与微观场景难以统一建模；二是现有深度学习方法泛化能力不足，难以适应复杂 实际场景；三是传统方法在序列图像关联特征提取方面存在缺陷，时空信息利用不充分制约了精度提 升。 记者6月26日从山西大学获悉，该校大数据科学与产业研究院教授钱宇华带领的演化数据智能团队 在通用三维形貌重建领域取得重要科学发现，相关论文日前发表于国际人工智能领域顶级期刊《IEEE 模式分析与机器智能汇刊》。 针对上述挑战，本研究创新性地提出了序列关联引导的通用三维形貌重建框架SAS，揭示了多视图 一致性对提升重建精度的关键作用，理论上获得了一种紧的泛化误差界，为宏观/微观跨尺度重建提供 了理论保障。在方法方面，该研究通过构建序列关联机制，实现了宏观场景语义信息与微观场景细节特 征的有机融合，突破了传统方法在跨尺度重建中的局限性。同时，该研究还显著提升了宏观场景的重建 质量，更将三维重建精度推进至亚微米级光学成像极限，为精密制造、生物医学等领域的微观测量提供 了新技术手段。 论文第一作者、山西大学 ...