NCT Depth Motif：探索用于 RGB-D 深度图的符号化 3D 纹样

Source: Dev.to

概览

我刚刚发布了 NCT Depth Motif 的首个技术版本，这是一个聚焦于 RGB‑D / 深度图验证的探索性计算机视觉项目。

仓库

https://github.com/Hanzzel-corp/nct-depth-motif

方法

NCT Depth Motif 检验局部深度图结构是否可以在 X/Y/Z 三个维度上表示为离散的 3D 符号化模体。
该方法不把深度图仅视为连续梯度，而是将局部几何行为离散化为模体状态，并评估这些模体相对于随机基线的统计存活情况。

实验

• RGB‑D / 深度图实验
• NCT 3D 模体存活验证
• 分组拆分验证
• RGB‑聚类留一验证
• CUDA 加速的随机基线评估
• 经验 p 值
• 可复现脚本
• 已记录的局限性

评估最强的变体

motif_survival_binary – 在当前的探索性设置中，它相对于随机模体基线表现出一致的正向信号。

注意： 这并不是声称达到最先进的性能，也不是经过同行评审的结果。该效应在统计上是一致的，但幅度适中。此版本的目标是可复现性、可证伪性以及技术反馈。

局限性

• 效应大小适中
• 未经同行评审
• 基线比较有限

征求反馈

我希望得到以下方面的反馈：

• 验证设计
• 随机基线设置
• 分组拆分方法论
• RGB‑聚类留一验证
• 可比较的经典基线
• 使实验更严谨的方式

相关工作

该项目是我更广泛的 NCT — Números Cuánticos Tridimensionales（三维量子数字）以及用于 AI 与计算机视觉的符号/几何表示研究的一部分。

征求意见

如果你从事计算机视觉或 RGB‑D 数据集工作，你会首先加入哪种基线？

• Sobel / Canny
• HED
• 基于法线的边缘
• 学习的深度边缘模型

欢迎提供反馈。