論文の概要: UD-SfPNet: An Underwater Descattering Shape-from-Polarization Network for 3D Normal Reconstruction
- arxiv url: http://arxiv.org/abs/2603.00908v1
- Date: Sun, 01 Mar 2026 04:10:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.407628
- Title: UD-SfPNet: An Underwater Descattering Shape-from-Polarization Network for 3D Normal Reconstruction
- Title（参考訳）: UD-SfPNet:3次元正規化のための水中散乱形状解析ネットワーク
- Authors: Puyun Wang, Kaimin Yu, Huayang He, Feng Huang, Xianyu Wu, Yating Chen,
- Abstract要約: 偏光イメージングは、散乱と形状偏光(SfP)3D再構成のユニークな2つの利点を提供する。
本稿では3次元表面正規予測の改善のために偏光キューを利用した水中散乱型偏光ネットワークUD-SfPNetを提案する。
- 参考スコア（独自算出の注目度）: 3.2610672252390724
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Underwater optical imaging is severely hindered by scattering, but polarization imaging offers the unique dual advantages of descattering and shape-from-polarization (SfP) 3D reconstruction. To exploit these advantages, this paper proposes UD-SfPNet, an underwater descattering shape-from-polarization network that leverages polarization cues for improved 3D surface normal prediction. The framework jointly models polarization-based image descattering and SfP normal estimation in a unified pipeline, avoiding error accumulation from sequential processing and enabling global optimization across both tasks. UD-SfPNet further incorporates a novel color embedding module to enhance geometric consistency by exploiting the relationship between color encodings and surface orientation. A detail enhancement convolution module is also included to better preserve high-frequency geometric details that are lost under scattering. Experiments on the MuS-Polar3D dataset show that the proposed method significantly improves reconstruction accuracy, achieving a mean surface normal angular error of 15.12$^\circ$ (the lowest among compared methods). These results confirm the efficacy of combining descattering with polarization-based shape inference, and highlight the practical significance and potential applications of UD-SfPNet for optical 3D imaging in challenging underwater environments. The code is available at https://github.com/WangPuyun/UD-SfPNet.
- Abstract（参考訳）: 水中光イメージングは散乱によって深刻な障害を受けるが、偏光イメージングは散乱除去と形状偏光(SfP)3D再構成の2つの利点を提供する。
これらの利点を生かしたUD-SfPNetを提案する。これは3次元表面正規予測を改善するために偏光キューを利用する水中散乱型偏光ネットワークである。
このフレームワークは、統合パイプラインにおける偏光ベースのイメージデ散乱とSfP正規推定を共同でモデル化し、シーケンシャルな処理からのエラーの蓄積を回避し、両方のタスクをまたいだグローバルな最適化を可能にする。
UD-SfPNetはさらに、カラーエンコーディングと表面配向の関係を利用して幾何学的整合性を高めるために、新しいカラー埋め込みモジュールを組み込んでいる。
散乱下で失われる高周波幾何学的詳細をよりよく保存するために、詳細拡張畳み込みモジュールも組み込まれている。
MuS-Polar3Dデータセットの実験により,提案手法は平均表面角誤差を15.12$^\circ$(比較法の中で最低)で達成し,再現精度を著しく向上することが示された。
これらの結果は, 偏光型形状推定と脱散乱の併用の有効性を確認し, 挑戦的な水中環境下での光3DイメージングにおけるUD-SfPNetの実用的意義と可能性を強調した。
コードはhttps://github.com/WangPuyun/UD-SfPNetで公開されている。
関連論文リスト
- Enhancing Underwater Light Field Images via Global Geometry-aware Diffusion Process [93.00033672476206]
GeoDiff-LFは、SD-Turbo上に構築された新しい拡散ベースのフレームワークで、水中4次元LFイメージングを強化する。
拡散先行とLF幾何を統合することにより、GeoDiff-LFは水中のシーンにおける色歪みを効果的に緩和する。
論文 参考訳（メタデータ） (2026-01-29T02:27:22Z) - MuS-Polar3D: A Benchmark Dataset for Computational Polarimetric 3D Imaging under Multi-Scattering Conditions [0.7933039558471408]
偏光をベースとした水中3D画像は、背景散乱を抑制するために偏光の手がかりを利用しており、濁った水には明確な利点がある。
MuS-Polar3Dは、水中偏光に基づく定量的な3Dイメージングのための、初めて公開されたベンチマークデータセットである。
論文 参考訳（メタデータ） (2025-12-25T05:32:39Z) - PFDepth: Heterogeneous Pinhole-Fisheye Joint Depth Estimation via Distortion-aware Gaussian-Splatted Volumetric Fusion [61.6340987158734]
ヘテロジニアス多視点深度推定のための最初のピンホール・フィッシュアイ・フレームワークPFDepthを提案する。
PFDepthは、ピンホールと魚眼カメラの任意の組み合わせを、様々な内在と外生とで処理できる統一アーキテクチャを採用している。
我々は,現在の主流深度ネットワーク上でのKITTI-360およびRealHetデータセットに対して,PFDepthが最先端の性能を示すことを示す。
論文 参考訳（メタデータ） (2025-09-30T09:38:59Z) - Pseudo Depth Meets Gaussian: A Feed-forward RGB SLAM Baseline [64.42938561167402]
本稿では,3次元ガウス型SLAMとフィードフォワードリカレント予測モジュールを組み合わせたオンライン3次元再構成手法を提案する。
このアプローチは、遅いテスト時間の最適化を高速なネットワーク推論に置き換え、トラッキング速度を大幅に改善する。
提案手法は,最先端のSplaTAMと同等の性能を示しながら,追跡時間を90%以上削減する。
論文 参考訳（メタデータ） (2025-08-06T16:16:58Z) - PolarAnything: Diffusion-based Polarimetric Image Synthesis [59.14294818211059]
本稿では,光リアリズムと物理精度の両方で単一のRGB入力から偏光画像を合成できるPolarAnythingを提案する。
実験により,我々のモデルは高品質な偏光画像を生成し,偏光からの形状などの下流タスクをサポートすることが示された。
論文 参考訳（メタデータ） (2025-07-23T07:09:10Z) - 3D-UIR: 3D Gaussian for Underwater 3D Scene Reconstruction via Physics Based Appearance-Medium Decoupling [30.985414238960466]
3D Gaussian Splatting (3DGS)はリアルタイムレンダリング機能を提供するが、水中の不均一な環境に苦しむ。
水媒体効果から物体の外観を遠ざける物理ベースの枠組みを提案する。
提案手法は,高品質な新規ビュー合成と物理的に正確なシーン復元を実現する。
論文 参考訳（メタデータ） (2025-05-27T14:19:30Z) - Glossy Object Reconstruction with Cost-effective Polarized Acquisition [41.96986483856648]
この研究は、コスト効率の良い取得ツールを使用するスケーラブルな分極支援アプローチを導入している。
提案手法は,物体表面の分極的BRDF,ストークスベクトル,偏光状態をニューラル暗黙的場として表現する。
偏光レンダリングの暗黙的な表現に基本的な物理原理を活用することにより,本手法は既存の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2025-04-09T16:38:51Z) - 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) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳（メタデータ） (2023-12-12T06:07:21Z) - 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)
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。