論文の概要: Transparent Shape from Single Polarization Images
- arxiv url: http://arxiv.org/abs/2204.06331v1
- Date: Wed, 13 Apr 2022 12:24:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-14 13:20:55.034415
- Title: Transparent Shape from Single Polarization Images
- Title（参考訳）: 単一偏光画像からの透明形状
- Authors: Shao Mingqi, Xia Chongkun, Yang Zhendong, Huang Junnan, Wang Xueqian
- Abstract要約: 我々は,合成データセットと実世界のデータセットの両方からなる透明なSfPデータセットを構築した。
従来の手法と比較して、我々のアプローチの平均と中央の角誤差は19.00circ$から14.91circ$から16.72circ$と13.36circ$に減少し、精度は1.25circ、22.5circ、30circに向上した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a data-driven approach for transparent shape from
polarization. Due to the inherent high transmittance, the previous shape from
polarization(SfP) methods based on specular reflection model have difficulty in
estimating transparent shape, and the lack of datasets for transparent SfP also
limits the application of the data-driven approach. Hence, we construct the
transparent SfP dataset which consists of both synthetic and real-world
datasets. To determine the reliability of the physics-based reflection model,
we define the physics-based prior confidence by exploiting the inherent fault
of polarization information, then we propose a multi-branch fusion network to
embed the confidence. Experimental results show that our approach outperforms
other SfP methods. Compared with the previous method, the mean and median
angular error of our approach are reduced from $19.00^\circ$ and $14.91^\circ$
to $16.72^\circ$ and $13.36^\circ$, and the accuracy $11.25^\circ, 22.5^\circ,
30^\circ$ are improved from $38.36\%, 77.36\%, 87.48\%$ to $45.51\%, 78.86\%,
89.98\%$, respectively.
- Abstract（参考訳）: 本稿では,偏光からの透明な形状に対するデータ駆動アプローチを提案する。
本質的に高い透過率のため、鏡面反射モデルに基づく偏光(sfp)法による以前の形状は透明な形状の推定が困難であり、透過的なsfpのためのデータセットの欠如もデータ駆動アプローチの適用を制限している。
そこで我々は,合成と実世界の両方のデータセットからなる透明なSfPデータセットを構築した。
物理に基づく反射モデルの信頼性を決定するため,偏光情報固有の欠陥を利用して物理に基づく事前信頼度を定義し,その信頼度を埋め込むマルチブランチ融合ネットワークを提案する。
実験の結果,本手法は他のSfP法よりも優れていた。
従来の方法と比較して、平均角誤差は19.00^\circ$、14.91^\circ$は16.72^\circ$、13.36^\circ$、精度は11.25^\circ、22.5^\circ、30^\circ$が38.36\%、77.36\%、87.48\%$$$が45.51\%、78.86\%、89.98\%$$である。
関連論文リスト
- SS-SfP:Neural Inverse Rendering for Self Supervised Shape from (Mixed) Polarization [21.377923666134116]
偏光の形状 (SfP) は偏光の形状 (SfP) として知られる問題である。
単視点偏光画像から物体やシーンの3次元形状(画素表面の正規度と深さ)を推定する逆レンダリングに基づく新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-12T14:29:00Z) - Video Frame Interpolation for Polarization via Swin-Transformer [9.10220649654041]
ビデオフレーム補間 (VFI) は広く研究され、実証されてきたが、偏光への応用は未解明のままである。
本研究では,Swin-Transformerに基づくマルチステージ・マルチスケールネットワークSwin-VFIを提案する。
実験の結果,全てのタスクにおいて,提案手法の再現精度が優れていることが示された。
論文 参考訳（メタデータ） (2024-06-17T09:48:54Z) - NeRSP: Neural 3D Reconstruction for Reflective Objects with Sparse Polarized Images [62.752710734332894]
NeRSPはスパース偏光画像を用いた反射面のニューラル3次元再構成技術である。
偏光画像形成モデルと多視点方位整合性から測光的および幾何学的手がかりを導出する。
我々は6つのビューのみを入力として、最先端の表面再構成結果を達成する。
論文 参考訳（メタデータ） (2024-06-11T09:53:18Z) - Robust Depth Enhancement via Polarization Prompt Fusion Tuning [112.88371907047396]
様々な深度センサによる不正確な深度測定を改善するために偏光イメージングを利用するフレームワークを提案する。
まず、偏光データとセンサ深度マップから高密度で完全な深度マップを推定するために、ニューラルネットワークを訓練した学習ベースの戦略を採用する。
大規模データセット上で事前学習したRGBモデルを有効に活用するためのPPFT(Polarization Prompt Fusion Tuning)戦略を提案する。
論文 参考訳（メタデータ） (2024-04-05T17:55:33Z) - S2P3: Self-Supervised Polarimetric Pose Prediction [55.43547228561919]
本稿では,マルチモーダルRGB+ポラリメトリック画像から,最初の自己監督型6次元オブジェクトポーズ予測を提案する。
1) 偏光の幾何学的情報を抽出する物理モデル,2) 教師による知識蒸留方式,3) 異なる制約による自己監督的損失の定式化を含む。
論文 参考訳（メタデータ） (2023-12-02T10:46:40Z) - NeISF: Neural Incident Stokes Field for Geometry and Material Estimation [50.588983686271284]
多視点逆レンダリングは、異なる視点で撮影された一連の画像から形状、材料、照明などのシーンパラメータを推定する問題である。
本稿では,偏光手がかりを用いた曖昧さを低減する多視点逆フレームワークNeISFを提案する。
論文 参考訳（メタデータ） (2023-11-22T06:28:30Z) - PARTNER: Level up the Polar Representation for LiDAR 3D Object Detection [81.16859686137435]
本稿では、極座標における新しい3次元物体検出器Partnerを紹介する。
提案手法は,ONCE検証セットにおいて3.68%,9.15%の差で従来の極性理論よりも優れていた。
論文 参考訳（メタデータ） (2023-08-08T01:59:20Z) - Polarimetric Inverse Rendering for Transparent Shapes Reconstruction [1.807492010338763]
ポーラリメトリック・キューを用いた透明物体の詳細な再構成手法を提案する。
我々は、物体の幾何学をニューラルネットワークとして暗黙的に表現し、一方、偏光レンダリングは物体の偏光画像を描画することができる。
提案手法を検証するため,多視点透明形状再構成のための偏極データセットを構築した。
論文 参考訳（メタデータ） (2022-08-25T02:52:31Z) - Deep Polarization Imaging for 3D shape and SVBRDF Acquisition [7.86578678811226]
偏光キューを用いた3次元物体の形状と空間的反射率を効率よく取得する新しい手法を提案する。
偏光イメージングを深層学習と組み合わせることで,物体や物体の出現を一定の制約下で推定する従来の研究と異なり,このような制約を解消する。
我々は,フラッシュ照明とともにディープラーニングを用いた最近の研究と比較して,優れた結果を得るためのアプローチを実証する。
論文 参考訳（メタデータ） (2021-05-06T17:58:43Z) - Uncalibrated Neural Inverse Rendering for Photometric Stereo of General
Surfaces [103.08512487830669]
本稿では,測光ステレオ問題に対する無補間深層ニューラルネットワークフレームワークを提案する。
既存のニューラルネットワークベースの方法は、物体の正確な光方向または接地正則のいずれかまたは両方を必要とします。
本稿では,この問題に対する未調整の神経逆レンダリング手法を提案する。
論文 参考訳（メタデータ） (2020-12-12T10:33:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。