利用空间和光度上下文进行标定非兰伯特光度立体重建
本文介绍了一种光度立体网络,该网络直接学习光度立体输入和场景表面法线之间的关系,通过合并所有输入数据到观察映射中,进一步处理无序的任意数量的输入图像,提高旋转伪不变性等训练和预测效果,通过基于物理的渲染器生成的综合光度立体数据集进行训练,能更好地解决非凸表面下的场景光照估计问题。
Aug, 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
在这篇论文中,我们提出了一种基于光度立体技术的轻量级策略,仅需要稀疏输入或单个图像即可恢复近场光下高保真度的面部形态。通过构建包含 84 个不同主题和 29 种表情的数据集,我们提出了一个专门设计用于光度立体基于 3D 面部重建的新型神经网络。广泛的实验和比较表明,我们的方法可以生成高质量的重建结果。
Mar, 2020
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