PX-NET：一种简洁高效的光度立体网络逐像素训练方法
计算机视觉与模式识别
2021-10-13 v3
摘要
从物体反射光的方式中恢复其精确的三维重建是计算机视觉中一项极具挑战性的任务。尽管光度立体问题提出已有四十余年，但当全局光照效应（如投射阴影、自反射和环境光）出现时，尤其是针对高光表面，大多数文献取得的成功有限。近期的方法借助深度学习与计算机图形学的结合，以应对反演图像辐照度方程并恢复物体几何形状所需的大量训练数据。然而，渲染全局光照效应是一个缓慢的过程，这会限制可生成的训练数据量。在本工作中，我们提出了一种用于法向预测的逐像素训练流程，用独立的逐像素生成数据替换全局渲染图像的训练数据（观测图）。我们表明，全局物理效应可在观测图域上近似，这简化并加速了数据创建过程。我们的网络 PX-NET 在合成数据集以及 Diligent 真实数据集的密集与稀疏光照设置下，相较于其他逐像素方法均达到了最先进的性能。
引用
@article{arxiv.2008.04933,
title = {PX-NET: Simple and Efficient Pixel-Wise Training of Photometric Stereo Networks},
author = {Fotios Logothetis and Ignas Budvytis and Roberto Mecca and Roberto Cipolla},
journal= {arXiv preprint arXiv:2008.04933},
year = {2021}
}