UD-SfPNet：基于极化的 underwater descattering 形状从极化网络用于3D法线重建
计算机视觉与模式识别
2026-03-03 v1
摘要
水下光学成像严受散射影响，但极化成像具有 descattering 和 shape-from-polarization(SfP) 3D 重建的独特双重优势。为充分利用这些优势，本文提出UD-SfPNet—a种水下 descattering shape-from-polarization 网络，利用极化线索提高3D表面法线预测精度。该框架联合建模基于极化的图像 descattering 和 SfP 法线估计于一个统一的管道，避免了顺序处理中可能产生的误差累积，并实现两项任务的全局优化。UD-SfPNet进一步引入一种新型颜色嵌入模块，通过利用颜色编码与表面方向之间的关系来增强几何一致性。还包含一种细节增强卷积模块，以更好地保留在散射下丢失的高频几何细节。在MuS-Polar3D 数据集上的实验表明，所提方法显著提高了重建精度，实现均值表面法线角度误差为15.12度(相较于比较方法中最低者)。这些结果确认了结合 descattering 与基于极化的形状推断的有效性，突显了UD-SfPNet在挑战性水下环境中进行光学3D成像的实际意义和潜在应用。代码：https://github.com/WangPuyun/UD-SfPNet
引用
@article{arxiv.2603.00908,
title = {UD-SfPNet: An Underwater Descattering Shape-from-Polarization Network for 3D Normal Reconstruction},
author = {Puyun Wang and Kaimin Yu and Huayang He and Feng Huang and Xianyu Wu and Yating Chen},
journal= {arXiv preprint arXiv:2603.00908},
year = {2026}
}