面向高效未标定深度光度立体视觉的神经架构搜索
计算机视觉与模式识别
2021-10-13 v1
摘要
我们提出一种用于未标定光度立体视觉（PS）的自动化机器学习方法。我们的工作旨在发现具有优异表面法线精度且轻量、计算高效的PS神经网络。与以往手工设计并精细调参的未标定深度PS网络不同，我们利用可微分神经架构搜索（NAS）策略自动寻找未标定PS架构。我们首先分别为光照标定网络和法线估计网络定义离散搜索空间。随后对该搜索空间进行连续松弛，并给出基于梯度的优化策略以寻找高效的光照标定与法线估计网络。将NAS方法直接应用于未标定PS并非易事，因为必须满足某些任务特定约束，我们显式地施加了这些约束。此外，我们考虑广义浮雕（GBR）模糊性，分别搜索并训练两个网络。在DiLiGenT数据集上的大量实验表明，自动搜索出的神经架构性能优于最先进的未标定PS方法，同时具有更低的内存占用。
引用
@article{arxiv.2110.05621,
title = {Neural Architecture Search for Efficient Uncalibrated Deep Photometric Stereo},
author = {Francesco Sarno and Suryansh Kumar and Berk Kaya and Zhiwu Huang and Vittorio Ferrari and Luc Van Gool},
journal= {arXiv preprint arXiv:2110.05621},
year = {2021}
}
备注
Accepted for publication at IEEE/CVF, WACV 2022. (11 pages)