使用偏振相机和相对深度信息作为先验,通过全偏振信息提出一种在线重建方法,使稀疏的深度值能沿着等深度线传播,并在具有贫纹理特性的区域中提高深度图的密度和准确度。
Feb, 2021
本文提出了一种基于极化成像的自监督单目深度学习网络,以利用色散不敏感的极化信息,提高深度估计结果,特别是对于高光区域。
Jul, 2020
本文提出了一种使用偏振线索高效获取物体形状和空间变化反射的新方法,其中偏振成像与深度学习相结合,可以在正面闪光照射下使用单视角偏振成像实现高质量估计物体形状和反射。
May, 2021
本文提出一种基于偏振和光度阴影信息的微分方法来直接重建表面高度,用于光度极化形状估计,通过图像比率技术来结合阴影和偏振信息,并引入了一种从多通道数据估计极化图像的新方法,得到了在合成和现实数据上得到较好的效果。
Aug, 2017
本研究探索了使用光度学技术(阴影形状和非标定光度立体)将 RGB-D 传感器的低分辨率深度图上采样到伴随的 RGB 图像的高分辨率。首先提出了一种有效的单次变分方法,而这依赖于目标的反射率是分段常数。随后,展示了这个依赖特定反射模型的限制可以通过关注特定类别的对象(例如面部),并将反射率估计委托给深度神经网络来缓解。最后讨论了一种基于随机变化光照条件的多次采集策略。这不需要反射率的培训或先前知识,但其代价是专用采集设置。通过定量和定性评估,证明了所提出方法在合成和真实场景中的有效性。
Sep, 2018
该研究论文提出了一种针对服装人体的三维形状估计方法,通过使用极化图像捕获几何线索来重构人体表面法线图,并采用深度学习模型将其转化为 3D 人体形态估计,其结果表明极化相机对于人体形态估计是一种有前途的替代方法。
通过极化方法,结合摄影测量方法,可以获得高分辨率的文化遗产物体的三维重建,相比摄影测量方法提高了 10 倍的深度分辨率。
Jun, 2024
本文中,我们分析了使用 RGB 偏振相机相比 RGB 相机在感知任务中的潜在效果,并探讨了深度神经网络的应用,研究表明,使用 RGB 偏振相机可以在双目深度估计和自由空间检测方面实现可量化的改进,同时,我们还提出了一种新的数据集,为感知算法的发展提供了支持。
May, 2023
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。
利用极化信息的监督学习方法以及借助物理特性的自监督学习方法取得重要进展,通过利用极化光的几何信息和引入形状先验知识和可逆物理约束来提高姿态估计的准确性。
Aug, 2023