Deep Learning aplicado a la reconstrucción 3D estereoscópica

Abstract

La estimación de profundidad mediante visión estéreo se ha abordado tradicionalmente mediante técnicas geométricas y algoritmos de correspondencia. Aunque estos métodos presentan una base matemática sólida, su rendimiento puede verse afectado en escenarios reales por oclusiones, superficies con baja textura, patrones repetitivos o cambios de iluminación, donde la correspondencia entre ambas imágenes resulta ambigua. En los últimos años, las redes neuronales convolucionales han permitido mejorar la estimación de disparidad al aprender representaciones visuales directamente a partir de los datos. No obstante, estos modelos tampoco eliminan por completo las dificultades propias del problema estéreo, especialmente en zonas ocluidas, regiones con poca información visual o situaciones con cambios importantes entre dominios. La motivación de este trabajo surge del interés por estudiar la aplicación de redes neuronales convolucionales a la reconstrucción 3D estéreo, evaluando su comportamiento frente a técnicas tradicionales y analizando su capacidad para generar mapas de disparidad útiles en escenas reales.