論文の概要: Deep Learning Methods for Calibrated Photometric Stereo and Beyond: A
Survey
- arxiv url: http://arxiv.org/abs/2212.08414v1
- Date: Fri, 16 Dec 2022 11:27:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 14:36:42.176265
- Title: Deep Learning Methods for Calibrated Photometric Stereo and Beyond: A
Survey
- Title(参考訳): フォトメトリックステレオとbeyondの校正のための深層学習法:調査
- Authors: Yakun Ju, Kin-Man Lam, Wuyuan Xie, Huiyu Zhou, Junyu Dong, Boxin Shi
- Abstract要約: 光度ステレオは、さまざまなシェーディングキューを持つ複数の画像から物体の表面の正常性を回復する。
深層学習法は、非ランベルト面に対する測光ステレオの文脈において強力な能力を示している。
- 参考スコア(独自算出の注目度): 88.4203009274225
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Photometric stereo recovers the surface normals of an object from multiple
images with varying shading cues, i.e., modeling the relationship between
surface orientation and intensity at each pixel. Photometric stereo prevails in
superior per-pixel resolution and fine reconstruction details. However, it is a
complicated problem because of the non-linear relationship caused by
non-Lambertian surface reflectance. Recently, various deep learning methods
have shown a powerful ability in the context of photometric stereo against
non-Lambertian surfaces. This paper provides a comprehensive review of existing
deep learning-based calibrated photometric stereo methods. We first analyze
these methods from different perspectives, including input processing,
supervision, and network architecture. We summarize the performance of deep
learning photometric stereo models on the most widely-used benchmark data set.
This demonstrates the advanced performance of deep learning-based photometric
stereo methods. Finally, we give suggestions and propose future research trends
based on the limitations of existing models.
- Abstract(参考訳): フォトメトリックステレオは、異なるシェーディングキュー、すなわち各ピクセルの表面配向と強度の関係をモデル化した複数の画像から物体の表面正常を回復する。
フォトメトリックステレオは、ピクセル単位の解像度と細かい再構成の詳細が優れている。
しかし、非ランベルト面反射率による非線形関係のため、複雑な問題である。
近年,様々な深層学習手法が,非ランベルト面に対する測光ステレオの文脈において強力な能力を示している。
本稿では,既存の深層学習に基づくキャリブレーションフォトメトリックステレオ法の包括的レビューを行う。
まず、入力処理、監視、ネットワークアーキテクチャなど、さまざまな観点からこれらの手法を解析する。
最も広く使われているベンチマークデータセット上で、ディープラーニングの測光ステレオモデルの性能を要約する。
これは深層学習に基づく測光ステレオ手法の高度な性能を示す。
最後に,既存のモデルの限界に基づいて,今後の研究動向を提案する。
関連論文リスト
- A Neural Height-Map Approach for the Binocular Photometric Stereo
Problem [36.404880059833324]
双眼鏡測光ステレオ(PS)フレームワークは単視PSと同じ取得速度を持つが、推定幾何の質は著しく向上する。
本手法は両眼立体装置に適応したDiLiGenT-MVデータセットの最先端性能と新しい両眼測光ステレオデータセットLUCES-STを実現する。
論文 参考訳(メタデータ) (2023-11-10T09:45:53Z) - Self-calibrating Photometric Stereo by Neural Inverse Rendering [88.67603644930466]
本稿では3次元オブジェクト再構成のための非校正光度ステレオの課題に取り組む。
本研究では,物体形状,光方向,光強度を協調的に最適化する手法を提案する。
本手法は,実世界のデータセット上での光推定と形状復元における最先端の精度を示す。
論文 参考訳(メタデータ) (2022-07-16T02:46:15Z) - Uncertainty-Aware Deep Multi-View Photometric Stereo [100.97116470055273]
光度ステレオ(PS)は高周波表面の細部を復元するのに優れ、マルチビューステレオ(MVS)はPSによる低周波歪みを除去し、大域的な形状を維持するのに役立つ。
本稿では,PS と MVS の相補的強みを効果的に活用する手法を提案する。
我々は,不確実性を考慮したディープPSネットワークとディープMVSネットワークを用いて,画素ごとの表面の正規度と深さを推定する。
論文 参考訳(メタデータ) (2022-02-26T05:45:52Z) - Neural Radiance Fields Approach to Deep Multi-View Photometric Stereo [103.08512487830669]
多視点測光ステレオ問題(MVPS)に対する現代的な解法を提案する。
我々は、光度ステレオ(PS)画像形成モデルを用いて表面配向を取得し、それを多視点のニューラルラディアンス場表現とブレンドして物体の表面形状を復元する。
本手法は,多視点画像のニューラルレンダリングを行い,深部光度ステレオネットワークによって推定される表面の正規性を活用している。
論文 参考訳(メタデータ) (2021-10-11T20:20:03Z) - Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian
Photometric Stereo [61.6260594326246]
空間と測光の両方を同時に活用できる効率的な完全畳み込みアーキテクチャを提案する。
分離可能な4D畳み込みと2D熱マップを使うことで、サイズが小さくなり、効率が向上する。
論文 参考訳(メタデータ) (2021-03-22T18:06:58Z) - 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。