Poppy：基于偏振的即插即用引导方法，用于提升单目法线估计
计算机视觉与模式识别
2026-03-31 v1
摘要
在大规模 RGB-法线数据上训练的单目表面法线估计器常在反射、无纹理和暗表面等边缘情况下的性能较差。偏振编码的表面方向信息独立于纹理和反差率，为这些情况提供了基于物理的补充手段。然而，现有的偏振方法需要多视角捕获或专业训练数据，限制了其泛化能力。我们引入 Poppy，一个无需训练的框架，利用测试时的单次偏振测量， refinements 来自任何冻结的 RGB 主干网络的法线。保持主干权重冻结，Poppy 优化输入 RGB 和输出法线的每个像素偏移量，以及学习的反射率分解。一个可微分渲染层将 refinements 后的法线转换为偏振预测，并对与观测信号的差异进行惩罚。在七个基准测试和三个主干架构（扩散、流和前馈）上，Poppy 在合成数据上降低了 23-26% 的平均角度误差，在真实数据上降低了 6-16%。这些结果表明，在不重新训练的情况下，通过偏振线索引导所学习的基于 RGB 的法线估计器，可在具有挑战性的表面上精炼法线。
引用
@article{arxiv.2603.27891,
title = {Poppy: Polarization-based Plug-and-Play Guidance for Enhancing Monocular Normal Estimation},
author = {Irene Kim and Sai Tanmay Reddy Chakkera and Alexandros Graikos and Dimitris Samaras and Akshat Dave},
journal= {arXiv preprint arXiv:2603.27891},
year = {2026}
}
备注
project page: https://irnkim.github.io/poppy/