利用偏振 - Unet 进行表面法线重构
该研究提出了一种新的基于数据驱动和物理学先验信息的场景级别单极化图像法线估计方法,并且建立了第一个真实场景级别形态恢复数据集。该方法采用了多头自注意力与视图编码来处理在野外环境中形成的极化杂波和联机投影问题,实验结果表明,相对于现有的形态恢复方法,该方法具有更好的性能。
Dec, 2021
本文提出了一种新的使用视点和极化数据来完整分离漫反射和镜面反射组件、恢复折射率和最终恢复三维形状的方法,在分离过程中涉及了极化的物理特性,证明了与基准方法有竞争力的结果,并恢复了其他信息(例如折射率)
May, 2016
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。
Jul, 2020
本研究运用深度学习探讨了极化成形(SfP)问题。通过将物理模型融入神经网络架构中,创新性地兼顾了数据驱动和物理驱动,取得了在不同光照、材质和涂装条件下的最佳测试结果。
Mar, 2019
通过使用高速旋转的线性偏振器和事件相机,我们提出了一种用于实现事件极化成像的解决方案,该解决方案使用了基于学习的方法来估计表面法线,在现实世界的实验中,性能比基于物理的方案高出了 52%。
Jan, 2023
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
通过基于高斯的法线表示,本文提出了一种监督的方式来学习反射场景中几何形状的细节,通过极化先验引导几何学习,并通过优化过程中的重新权重策略来减轻极化先验的噪声问题,实验证明本文的方法在反射场景的神经三维重建中表现出色。
Mar, 2024
通过将 SfP 的偏振线索与 PMD 的几何信息相结合,我们引入了一种测量原理,可以准确解码具有高光面反射的光场中包含的信息,并解决 3D 测量中的各种歧义问题,并且我们的方法去除了 SfP 的不切实际正交成像假设,显著提高了测量结果,演示了在复杂形状的高光表面上通过单次和多次拍摄的测量手段,验证了表面法线的精度在 0.6° 以下。
Jun, 2024
SuperNormal 是一种快速、高保真度的多视图 3D 重建方法,利用表面法线图生成详细表面,通过多分辨率哈希编码和基于路径的射线行进来优化神经有符号距离函数 (SDF) 的体积渲染,相较于现有的多视图光度立体重建方法,在效率和准确性上表现卓越。
Dec, 2023