SDA-SNE：基于多方向动态规划的空间不连续感知表面法线估计
计算机视觉与模式识别
2022-08-19 v1 人工智能
图形学
摘要
最先进的（SoTA）表面法线估计器（SNEs）通常以端到端方式将深度图像转换为表面法线图。尽管此类 SNEs 极大程度地最小化了效率与精度之间的权衡，但其在空间不连续处（如边缘和棱线）上的性能仍不尽如人意。为解决该问题，本文首先引入一种新颖的多方向动态规划策略，通过最小化（路径）平滑能量来自适应地确定内点（共面三维点）。随后利用一种新颖的递归多项式插值算法迭代细化深度梯度，从而有助于得到更合理的表面法线。我们引入的空间不连续感知（SDA）深度梯度细化策略与任何深度到法线的 SNEs 兼容。我们提出的 SDA-SNE 取得了远优于所有其他 SoTA 方法的性能，尤其是在空间不连续附近或之上。我们进一步针对不同迭代次数评估了 SDA-SNE 的性能，结果表明其在仅少数几次迭代后便快速收敛。这确保了其在需要实时性能的各种机器人与计算机视觉应用中的高效性。在不同程度随机噪声数据集上的附加实验进一步验证了我们的 SDA-SNE 的鲁棒性与环境适应性。我们的源代码、演示视频与补充材料公开于 mias.group/SDA-SNE。
引用
@article{arxiv.2208.08667,
title = {SDA-SNE: Spatial Discontinuity-Aware Surface Normal Estimation via Multi-Directional Dynamic Programming},
author = {Nan Ming and Yi Feng and Rui Fan},
journal= {arXiv preprint arXiv:2208.08667},
year = {2022}
}
备注
3DV 2022 oral paper