基于 LED 光源的光度立体成像:建模,标定和数值求解
本文提出了一种高效的原则性变分方法来进行低限制的反射光照下未校准的 Photometric Stereo 技术,其中近似于通过球形谐波展开的兰伯特反射模型,通过单个变分问题来联合恢复形状,反射和光照。
Apr, 2019
本文通过使用两个不同照明下的图像,提出了一种新的基于逆渲染的深度学习框架 DeepPS2 来解决 photometric stereo 中的一个中间问题,即 PS2 问题,可以自主完成表面法线、表面反照率、光照估计和图像 relighting 等任务。
Jul, 2022
本文提出了一种新颖的 RGB-D 传感器深度超分辨率方法,该方法通过高分辨率光度线索澄清深度超分辨率,并对未校正的光度立体进行低分辨率深度线索的澄清。使用变分方法处理 RGB-D 序列,并通过新的 PDE 光度立体正则化器隐式地保持了表面的规则性。实验表明,该方法能够在无需任何特殊先验知识或材料校准的情况下,在现实世界的环境中拍摄高质量的深度图像。
Aug, 2017
本文旨在解决在未知物体形状、物体反射率和光照方向的情况下进行三维物体重建的任务,提出了一种新的利用神经反演渲染和渐进式反射率基础来解决未标定光度测量问题的方法。该方法在真实世界数据集上表现出最先进的精度。
Jul, 2022
通过提出一种端到端的非标定多视点 PS 框架,以实现在真实环境中通过稀疏视点获取高分辨率形状的重建,摒弃了黑暗室的假设,并允许静态环境光和动态 LED 光的组合,从而实现了在实验室外轻松捕获数据,并通过实验证实,在稀疏视点情况下超越了现有的基准方法,将高精度三维重建从黑暗室引入到现实世界中,并保持了合理的数据采集复杂性。
Mar, 2024
本文介绍了一种名为 “通用光度立体” 的新光度立体任务,旨在开发出一种无需假定特定光照模型即可适用于各种形状、材料和光照变化的解决方案算法,该算法的实现基于一种纯数据驱动的方法,通过提取通用的照明表示 —— 全局照明环境,代替了以往的物理光照参数恢复,同时通过使用设计的合成数据集训练神经网络,以根据各种形状、材料和光照适应一组新的数据集。通过与其他最先进的未校准光度立体方法进行比较,以演示我们方法的显著性。
Jun, 2022
本文提出了一个针对光度立体问题的不需要校准的深度神经网络框架,通过估计输入图像的光线方向来计算表面法线、双向反射分布函数值和深度,同时显式模拟图像形成过程中的凹凸面部分的互反射效应,结果表明该方法在挑战性主题上表现优于监督和经典方法。
Dec, 2020
本文提出了一种新的结构光系统模型,它通过逐像素有理函数有效地考虑了局部透镜畸变。我们利用立体视觉方法进行初始校准,然后为每个像素估计有理模型。我们的模型可以在校准体积内外实现高精度测量,并展示了其鲁棒性和准确性。
May, 2023
本文提出了一种基于深度学习的非 Lambert 场景无标定光度立体方法,该方法相对于之前依赖于特定反射率和光源分布假设的方法,能够确定未知任意反射率下观察未知变化光照方向的场景的形状和光源方向,通过两阶段的深度学习架构 SDPS-Net 来实现。 对合成和实际数据集的实验表明,我们提出的方法明显优于先前的非标定光度立体方法。
Mar, 2019
我们提出了一种新颖的多视图光度立体(PS)方法,利用神经形状表示和学习渲染器,显式利用像素强度渲染,模拟每个点的入射辐照度并使用全神经材质渲染器进行优化,同时通过估计法线和分割图最大化表面精度,达到在距离为 1.5m、分辨率 400x400 的情况下,超过经典方法 DiLiGenT-MV 的平均 0.2mm 的沙耶缝距离,对低光计数场景的异常法线具有鲁棒性,使用像素渲染距离仅为 0.27mm。
May, 2024