論文の概要: PolarScale: A Physics-Grounded Benchmark for Radiometrically Consistent RGB-to-Stokes Estimation

• arxiv url: http://arxiv.org/abs/2610.08346v1
• Date: Tue, 06 Oct 2026 13:40:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.013953
• Title: PolarScale: A Physics-Grounded Benchmark for Radiometrically Consistent RGB-to-Stokes Estimation
• Title（参考訳）: PolarScale:RGB-to-Stokes推定のための物理を取り巻くベンチマーク
• Abstract要約: PolarScaleは、既存のトリクロマチックフルストークス測定に基づいて構築されている。 モデルに対して、正規化されたStokesコンポーネント、AoLP/DoLP/DoCP、およびシーン単位のスケールを予測する。 スケールは入力から分割されるため、物理的に識別できない。
• 参考スコア（独自算出の注目度）: 10.519944622085363
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Polarization imaging provides physical cues beyond intensity imaging but typically requires specialized hardware. Recent methods infer polarization from RGB-like inputs, yet predict only normalized Stokes components or relative descriptors, from which the radiometric scale needed for full Stokes reconstruction has been divided out. We introduce PolarScale, a benchmark that makes this scale an explicit prediction and evaluation target. Built on existing trichromatic full-Stokes measurements, PolarScale takes the per-scene normalized total-intensity image $s_0$ (a scene-referred linear image, not a consumer sRGB photograph) and asks models to predict normalized Stokes components, AoLP/DoLP/DoCP, and a per-scene scale. Because the scale is divided out of the input, it is not physically identifiable; PolarScale therefore evaluates dataset-conditioned semantic scale estimation against a constant-scale control, together with angular, self-consistency, and physical-bound metrics. Across seven restoration-based and generative backbones and three prediction strategies, the strongest restoration models estimate the scale with 3.6-4.3% mean relative error versus 5.7% for the constant control and violate physical bounds on fewer than 0.25% of pixels, whereas two generative baselines collapse to a near-zero scale; explicit descriptor supervision improves descriptor accuracy (23.66 vs. 18.88 dB PSNR for MAE). Predicted full-Stokes representations improve diffuse/specular separation, material segmentation, and glare classification, although in diffuse/specular separation the learned scale performs only on par with the constant control.
• Abstract（参考訳）: 偏光イメージングは、強度イメージング以上の物理的手がかりを提供するが、通常は特殊なハードウェアを必要とする。 最近の方法では、RGBのような入力から偏光を推定するが、正規化されたストークス成分または相対的な記述子しか予測できない。 このスケールを明示的な予測と評価のターゲットにするベンチマークであるPolarScaleを紹介します。 既存のトリクロマチックフルストークス測定に基づいて、PolarScaleは、シーンごとの正規化された全インテンシティイメージ$s_0$(SRGBの写真ではなく、シーン参照の線形イメージ)を取得し、正規化されたStokesコンポーネント、AoLP/DoLP/DoCP、およびシーンごとのスケールをモデルに求める。 それゆえ、PolarScaleは、角度、自己整合性、物理的にバウンドなメトリクスとともに、一定のスケールの制御に対するデータセット条件のセマンティックスケールの推定を評価する。 7つの復元ベースおよび生成バックボーンと3つの予測戦略で、最強の復元モデルは3.6-4.3%の相対誤差と5.7%の一定の制御で、ピクセルの0.25%未満で物理的境界を破り、2つの生成ベースラインがほぼゼロスケールに崩壊し、明示的な記述器の監督により記述器の精度が向上する(MAEでは23.66対18.88 dB PSNR)。 予測されたフルストークス表現は、拡散/特異分離、材料セグメンテーション、グラア分類を改善するが、拡散/特異分離では、学習スケールは定数制御と同等にしか機能しない。

関連論文リスト

• Geometry-Calibrated Closed-Form Shrinkage for SAR Despeckling [0.7782912896579166]
  合成開口レーダ(SAR: Synthetic Aperture radar)は、乗法的非ガウス雑音を抑えなければならない逆回復問題である。 我々は、ログ-ヨ-ジョンソン変換を適用した非局所スパース推定器を再検討し、類似したパッチをグループに積み重ね、各群をその左特異点ベースでコード化し、その結果の係数を縮小する。
  論文  参考訳（メタデータ） (2026-08-15T04:28:27Z)
• Stokes-Informed Diffusion for Robust Linear Polarization Estimation [49.459667092743445]
  GenPolar(ゲンポーラー)は、ミュラー形式主義を基盤としたストークスインフォームド拡散フレームワークである。 DLPの忠実度とAoPの安定性の両面において最先端の性能を達成する。 これらの改善は、物質検出やデフレクションを含む下流アプリケーションにおいて、顕著で一貫した利益をもたらす。
  論文  参考訳（メタデータ） (2026-07-23T11:56:15Z)
• Poppy: Polarization-based Plug-and-Play Guidance for Enhancing Monocular Normal Estimation [69.74622862203036]
  Poppyは、テスト時に単発偏光測定を使用して、凍結したRGBバックボーンから正規性を洗練する、トレーニング不要のフレームワークである。 微分可能なレンダリング層は、精製された正規項を偏光予測に変換し、観察された信号とミスマッチをペナライズする。 これらの結果から, 学習したRGBに基づく偏極キューを用いた正規分布推定器の誘導は, 再学習することなく, 挑戦面上の正規分布を洗練させることがわかった。
  論文  参考訳（メタデータ） (2026-03-29T22:05:09Z)
• LaPose: Laplacian Mixture Shape Modeling for RGB-Based Category-Level Object Pose Estimation [43.549593231397644]
  LaPoseは、オブジェクトの形状をPose推定のためのLaplacian混合モデルとしてモデル化する、新しいフレームワークである。 各点を確率分布として表現することにより、形状の不確実性を明確に定量化する。 LaPoseは、カテゴリレベルのオブジェクトポーズ推定における最先端のパフォーマンスを得る。
  論文  参考訳（メタデータ） (2024-09-24T04:20:18Z)
• RGB-based Category-level Object Pose Estimation via Decoupled Metric Scale Recovery [72.13154206106259]
  本研究では、6次元のポーズとサイズ推定を分離し、不完全なスケールが剛性変換に与える影響を緩和するパイプラインを提案する。 具体的には,事前学習した単分子推定器を用いて局所的な幾何学的情報を抽出する。 別個のブランチは、カテゴリレベルの統計に基づいてオブジェクトのメートル法スケールを直接復元するように設計されている。
  論文  参考訳（メタデータ） (2023-09-19T02:20:26Z)
• Category-Level Metric Scale Object Shape and Pose Estimation [73.92460712829188]
  本稿では,測度スケールの形状と1枚のRGB画像からのポーズを共同で推定するフレームワークを提案する。 カテゴリーレベルのオブジェクトのポーズと形状を評価するために,合成と実世界の両方のデータセット上で本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2021-09-01T12:16:46Z)
• Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
  Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
  論文  参考訳（メタデータ） (2021-07-08T15:19:36Z)

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。