可扩展、精细且无掩码通用光度立体
计算机视觉与模式识别
2023-03-29 v1 图形学
摘要
本文中，我们介绍SDM-UniPS，一种突破性的可扩展、精细、无掩码且通用的光度立体网络。我们的方法能恢复令人惊叹的复杂表面法线图，媲美3D扫描仪的质量，即使在非受控环境中未知、空间变化光照条件下捕获的图像也是如此。我们扩展了先前的通用光度立体网络以提取空间光照特征，利用高分辨率输入图像中的所有可用信息，并考虑表面点间的非局部交互。此外，我们提出一个新的合成训练数据集，涵盖真实场景中发现的各种形状、材料和光照情形。通过大量评估，我们证明我们的方法不仅在公开基准上超越已标定、特定光照技术，而且即使在无物体掩码、输入图像数量显著更少时也表现优异。
引用
@article{arxiv.2303.15724,
title = {Scalable, Detailed and Mask-Free Universal Photometric Stereo},
author = {Satoshi Ikehata},
journal= {arXiv preprint arXiv:2303.15724},
year = {2023}
}
备注
CVPR 2023 (Highlight). The source code will be available at https://github.com/satoshi-ikehata/SDM-UniPS-CVPR2023