基于事件的偏振形状重建

Shape-from-Polarization (SfP) 的最新解决方案面临速度与分辨率的折中：它们要么牺牲测量的偏振角数量，要么由于帧率限制需要较长的采集时间，从而妥协了精度或延迟。我们使用事件相机来解决这一折中问题。事件相机以微秒级分辨率运行，具有可忽略的运动模糊，并输出连续的事件流，异步且精确地测量光随时间的变化。我们提出了一种由在事件相机前高速旋转的线偏振器组成的装置。我们的方法利用由旋转引起的连续事件流来重建多个偏振器角度下的相对强度。实验表明，我们的方法优于基于物理的基于帧的基线方法，在合成和真实世界数据集中将 MAE 降低了 25%。然而在真实世界中，我们观察到恶劣条件（即生成少量事件时）会损害基于物理的解决方案的性能。为了克服这一点，我们提出了一种基于学习的方法，该方法学习即使在低事件率下也能估计表面法线，在真实世界数据集上比基于物理的方法提升了 52%。所提出的系统实现了相当于 50 fps 的采集速度（是商用偏振传感器帧率的两倍以上），同时保持了 1MP 的空间分辨率。我们的评估基于首个用于基于事件的 SfP 的大规模数据集。