将朗伯先验融入表面法线测量
计算机视觉与模式识别
2021-07-16 v1
摘要
光度立体视觉的目标是从具有不同明暗线索的观测中精确测量三维物体的表面法线。然而,非朗伯表面因不规则的明暗线索而影响测量精度。尽管深度神经网络已被用于模拟非朗伯表面的特性,但高光、阴影和褶皱区域的误差难以减小。为应对该挑战,我们提出一种融入朗伯先验的光度立体网络,以更好地测量表面法线。本文中,我们在朗伯假设下以初始法线作为先验信息来精化法线测量,而非仅用观测到的明暗线索推导表面法线。我们的方法利用朗伯信息重新参数化网络权重,并借助深度神经网络的强大拟合能力来修正由一般反射特性引起的这些误差。我们的探索表明:朗伯先验(1)减小了学习假设空间,使方法在同一表面法线空间中学习映射并提高学习精度;(2)提供了微分特征学习,改善了细节的表面重建。大量实验在具有挑战性的基准数据集上验证了所提朗伯先验光度立体网络在精确表面法线测量中的有效性。
引用
@article{arxiv.2107.07192,
title = {Incorporating Lambertian Priors into Surface Normals Measurement},
author = {Yakun Ju and Muwei Jian and Shaoxiang Guo and Yingyu Wang and Huiyu Zhou and Junyu Dong},
journal= {arXiv preprint arXiv:2107.07192},
year = {2021}
}