AAAIJan, 2024

利用极化材料线索进行鲁棒汽车检测

PDF
TL;DR通过利用三色线性偏振作为额外提示，作者提出了一种新的基于学习的车辆检测方法，该方法可以解决车辆检测算法在光照 / 天气条件和车辆密度变化大的场景中的稳定性和准确性问题，通过多模态融合网络动态集成颜色和偏振特征，能够探索所有学习样本中车辆的固有材料特性，并在实验证明了该方法优于现有最先进的检测方法，表明偏振是一种强大的车辆检测提示。
发现论文，激发创造
  • 极化编码图像和自适应深度学习在恶劣天气条件下的道路场景分析

    本篇论文研讨了一种基于极化成像模态的新型物体识别技术，证明该技术在恶劣气候条件下比 RGB 图像更具有效性，能有效提高不同检测任务的状态机会 20% 至 50%。

    Oct, 2019

  • 极化成像技术在感知领域的应用

    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

  • 道路场景分析的物理可信偏振数据增强

    本文提出使用基于深度生成模型的图像翻译技术 CycleGAN 来将大型标记路景数据集转换到极化领域，通过一些附加损失项来处理极化图像的物理约束条件，从而实现在道路场景的物体检测任务中提高汽车和行人检测的性能高达 9％的目标，该方法已经公开发布以供其他人使用。

    Jun, 2022

  • 深度极化成像应用于三维形状和 SVBRDF 获取

    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

  • 具有有限数据的光度挑战物体的多模态六自由度姿态估计的偏振信息

    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

  • Pola4All：极化应用调查和开源工具包分析极化

    偏振成像在计算机视觉和场景理解任务中可以提供丰富的线索，如物料类型、姿态和物体形状。本文回顾了涉及偏振成像的应用的最新进展，并介绍了一个完整的软件工具包，用于与市场上大多数现有微网偏振相机进行通信和处理信息。

    Dec, 2023

  • 光谱极化视觉：光谱极化实际数据集

    提出了两个新的光谱极化数据集：三色 Stokes 图像和高光谱 Stokes 图像。这些数据集包含线性和圆偏振；引入了多个光谱通道；并且具有广泛选择的真实世界场景。通过这些数据集，分析了光谱极化图像的统计特性，发展了高维数据的有效表示方式，并评估了形态 - 来自 - 极化方法的光谱依赖性。该数据集为数据驱动的光谱极化成像和视觉研究奠定了基础。数据集和代码将公开提供。

    Nov, 2023

  • 偏振引导融合调节的鲁棒深度增强

    本研究利用偏振成像提高不准确的深度传感器测量，通过学习策略和神经网络预估深度图，采用 Polarization Prompt Fusion Tuning（PPFT）策略优化 RGB 模型性能，并在公开数据集上验证了优于现有深度增强方法的实验结果。

    Apr, 2024

  • 极化姿态预测

    本文探讨了光的偏振信息对单目 6D 物体姿态预测准确性的影响，并设计了一种混合模型，该模型将物理先验与数据驱动的学习策略结合起来，在不同光度复杂度的物体上进行了仔细的测试。实验结果表明，与现有的光度测量方法相比，我们的设计显著提高了姿态准确性，并能够实现高反射和透明物体的姿态估计。同时，我们还引入了一个新的多模式 6D 物体姿态数据集作为基准。

    Dec, 2021

  • 利用 Pocoformer 的极化彩色图像去噪

    本文提出了基于学习的方法来同时恢复清晰的信号和精确的极化信息，一个基于视觉 Transformer 的混合 Transformer 模型被提出以进行极化彩色图像去噪，实验表明该方法的有效性并分析了影响结果的关键因素。

    Jul, 2022