CNN-PS: 基于卷积神经网络的非凸面光度立体恢复
介绍了一种新颖的、基于可分离 4D 卷积的全卷积网络架构,将空间和光度一起利用,并回归到二维高斯热图,从而实现高效的表面形状估计。实验结果表明,所提出的方法在效率和准确性上均优于现有方法。
Mar, 2021
本研究提出了一种用于光度立体图像的卷积神经网络结构,通过物理学建模的无监督学习框架,可以进行表面法线和反射率预测,并且在实际场景中达到了最先进的性能表现。
Feb, 2018
本文介绍了一种深度学习方法,解决了光度立体的问题,在已知光照方向的情况下可以处理未知各向同性反射的表面,得出表面法线图;同时还提出了一种新的卷积网络方法以处理光照方向未知的情况。在多个数据集上经过充分的评估,该方法取得了更优秀的结果。
Jul, 2020
本文提出了一个深度卷积网络 PS-FCN,用于快速前向传递预测一个物体的法线图,并可以解决非 Lambertian 表面的光度立体计算问题,可处理多个图像和光照方向,同时具有在校准和非校准场景下的高性能。
Jul, 2018
该研究提出了一种 CNN 基于光度立体的方法,能够处理如光传播、透射视图几何和镜面光反射等现实假设,通过两个主要步骤迭代估计形状和辐射方向,取得比现有状态 - of-the-art 方法更好的实验效果。
Sep, 2020
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
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
提出了一种新颖、高度实用的双目光度立体(PS)框架,其采集速度与单视图 PS 相同,但显著改善了几何估计的质量。和最近的神经多视图形状估计方法(如 NeRF、SIREN 和多视图光度立体的反向图形方法)一样,我们将形状估计任务定义为通过最小化多个变化的光照图像估计的法线的表面法线差异,以及渲染表面强度与观察图像之间的差异,学习可微表面和纹理表示。我们的方法与典型的多视图形状估计方法有两个关键区别。首先,我们的表面不是用体积表示,而是用深度神经网络计算表面上各点的高度的神经高度图来表示。其次,我们使用了学习的 BRDF 并进行了点接近场强度渲染,而不是像 Guo 等人一样预测平均强度或引入兰伯特材料假设。我们的方法在针对双目立体设置进行适应的 DiLiGenT-MV 数据集以及新的双目光度立体数据集 - LUCES-ST 上取得了最先进的性能。
Nov, 2023
该研究旨在提出一种新型的像素训练规程(PX-NET),它通过在独立像素生成数据上替换全局渲染图像的训练数据来实现对物体几何结构的迅速恢复,在结构和性能上都优于同类像素方法。
Aug, 2020