自校准深度光度立体网络
计算机视觉与模式识别
2019-03-19 v1
摘要
本文提出一种基于深度学习的针对非朗伯场景的非标定光度立体方法。与先前严重依赖特定反射率和光源分布假设的方法不同,我们的方法能够在未知任意反射率且于未知变化光方向下观测时,确定场景的形状与光方向。为实现此目标,我们提出一种称为 SDPS-Net 的两阶段深度学习架构,其能有效利用中间监督,相较于单阶段模型降低了学习难度。在合成与真实数据集上的实验表明,我们提出的方法显著优于先前的非标定光度立体方法。
引用
@article{arxiv.1903.07366,
title = {Self-calibrating Deep Photometric Stereo Networks},
author = {Guanying Chen and Kai Han and Boxin Shi and Yasuyuki Matsushita and Kwan-Yee K. Wong},
journal= {arXiv preprint arXiv:1903.07366},
year = {2019}
}
备注
CVPR 2019 Oral, Project Page: http://guanyingc.github.io/SDPS-Net/