PS-FCN：一种用于光度立体法的灵活学习框架
计算机视觉与模式识别
2018-07-24 v1
摘要
本文研究非朗伯表面的光度立体问题。现有方法常采用简化的反射模型以使问题更易处理，但这极大限制了其在真实物体上的应用。本文提出一种称为 PS-FCN 的深度全卷积网络，它以固定相机在不同光照方向下捕获的静态物体的任意数量图像作为输入，并通过快速前馈过程预测物体的法向图。与近期提出的基于学习的方法不同，PS-FCN 在训练和测试时不需要预定义的光照方向集合，并能以顺序无关的方式处理多图像与多光照方向。尽管我们在合成数据上训练 PS-FCN，它仍能很好地泛化到真实数据集。我们进一步展示 PS-FCN 可轻松扩展以处理未标定光度立体问题。在公开真实数据集上的大量实验表明，PS-FCN 在标定光度立体中优于现有方法，并在未标定场景下取得了有前景的结果，清晰证明了其有效性。
引用
@article{arxiv.1807.08696,
title = {PS-FCN: A Flexible Learning Framework for Photometric Stereo},
author = {Guanying Chen and Kai Han and Kwan-Yee K. Wong},
journal= {arXiv preprint arXiv:1807.08696},
year = {2018}
}
备注
ECCV 2018: https://guanyingc.github.io/PS-FCN