- RMAFF-PSN:一种残差多尺度注意特征融合光度立体网络
通过使用残差多尺度注意力特征融合技术处理对象的复杂区域,从而提取准确的物体法线贴图,该方法在光度立体方法中克服了对象几何和表面材料变异引起的物体表面反射性质的影响。
- CVPR稀疏视角,近光源:非标定点照明光度立体的实用范式
通过提出一种端到端的非标定多视点 PS 框架,以实现在真实环境中通过稀疏视点获取高分辨率形状的重建,摒弃了黑暗室的假设,并允许静态环境光和动态 LED 光的组合,从而实现了在实验室外轻松捕获数据,并通过实验证实,在稀疏视点情况下超越了现有的 - RNb-NeuS:基于反射和法线的多视角 3D 重建
介绍了一种用于集成多视角反射和法线映射的通用范例。它使用像素级联合参数化反射和法线,将它们视为在模拟的不同光照下渲染的辐射矢量。该方法在神经体渲染的基于 3D 重建中,实现了反射和法线映射的无缝集成,同时保留单一的优化目标,从而优于最先进的 - 可微分显示光度立体
本文介绍了 Differentiable Display Photometric Stereo (DDPS),使用一个商用显示器和相机实现高保真度的表面法线重建。利用线性偏振光,DDPS 实现了漫反射和镜面反射的分离。该方法通过自动微分学习 - CVPR基于切向空间一致性的多视角方位立体
本文提出了一种仅使用校准多视图表面方位地图进行三维重建的方法 —— 多视图方位立体。这种方法对于无纹理或具有镜面效果的表面来说非常有效,并通过引入切空间一致性概念,在使用光度立体方法或偏振成像时,利用切空间一致性以恢复形状,从而绕过了可能的 - CVPR可扩展、详细且无蒙版通用光度立体
本文介绍了 SDM-UniPS,一种具有突破性的可扩展,详细,无遮挡和通用的光度立体网络。我们的方法可以恢复惊人复杂的表面法线图,即使在未知的,空间变化的采集条件和非受控环境下。我们已经扩展了先前的通用光度立体网络,以提取空间光特性,利用高 - ECCVDeepPS2:使用两个不同光照图像重新审视光度立体成像
本文通过使用两个不同照明下的图像,提出了一种新的基于逆渲染的深度学习框架 DeepPS2 来解决 photometric stereo 中的一个中间问题,即 PS2 问题,可以自主完成表面法线、表面反照率、光照估计和图像 relightin - CVPR快速轻量级近场光度立体
该研究介绍了第一个基于端到端学习的解决方案,用于近场光度立体成像,在这种情况下,光源靠近所感兴趣的目标。研究者们使用递归多分辨率方案来估计每个步骤中整个图像的表面法线和深度图,并且预测的每个尺度的深度图然后用于估计下一个尺度的每像素照明。该 - CVPR基于不确定性感知的深度多视角光度立体
本文提出一种有效的解决方案,利用光度立体测量和多视角立体测量的互补优势,通过基于不确定性感知的深光度立体网络和深多视角立体网络估计每像素表面法线和深度,从而实现密集、详细和精确的物体表面轮廓重建。
- 用于高效非标定深度光学立体成像的神经网络结构搜索
本文利用深度学习技术中的神经结构搜索方法,提出了一种自动化光度立体技术(PS)的方法,通过训练两个独立的网络来实现光度标定和法线估计的最佳匹配,从而达到高精度、低存储的光度立体模型构建。
- LUCES: 近场点光源光度立体数据集
提出了第一个 LUCES 数据集,包括 52 个 LED 灯,对 14 个物体进行了近距离照明,并用于评估最新的近场物体光度立体算法的性能,以评估最新的近场光度立体算法在实际物体材料的近距离效果方面的表现。
- ICCV利用空间和光度上下文进行标定非兰伯特光度立体重建
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。
- CVPR通用表面光度立体摄影的非校准神经反渲染
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。
- 基于 CNN 的近场光度立体问题方法
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。
- 非 Lambert 表面的深度光学立体成像
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。
- CVPR轻量级光度立体成像技术用于面部细节恢复
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 - 一般光照条件下的变分未校准光度立体重建
本文提出了一种高效的原则性变分方法来进行低限制的反射光照下未校准的 Photometric Stereo 技术,其中近似于通过球形谐波展开的兰伯特反射模型,通过单个变分问题来联合恢复形状,反射和光照。
- CVPR自校准深度光度立体网络
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 - ECCVCNN-PS: 基于卷积神经网络的非凸面光度立体恢复
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 - ECCVPS-FCN:一种灵活的光度立体学习框架
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。