利用空间与光度上下文的标定非朗伯光度立体视觉

从观测到的反射特性估计表面形状仍是计算机视觉中一项具有挑战性的任务。全局光照效应（如相互反射或投射阴影）的存在使得对非凸真实世界表面的任务尤为困难。最先进的标定光度立体方法使用卷积神经网络（CNNs）解决这些问题，这些网络主要旨在捕获相邻像素间的空间上下文，或由从相邻方向照明样本所形成的光度上下文。本文中，我们桥接这两个目标，并引入一种高效的完全卷积架构，可同时利用空间与光度上下文。与依赖标准 2D CNNs 并直接回归表面法线的现有方法不同，我们认为使用可分离 4D 卷积并回归到 2D 高斯热图可大幅缩减网络规模并提升推理效率。我们在真实世界光度立体基准上的实验结果表明，所提方法在效率与精度上均优于现有方法。