深度学习自校准光度立体：SDPS-Net解决未知反射率挑战

自校准深度光度立体网络（SDPS-Net）是一种创新的深度学习方法，针对非朗伯场景下的未校准光度立体问题进行研究。传统的光度立体技术依赖于光的方向和已知的反射率模型，而SDPS-Net旨在解决这个问题，无需预先假设这些参数。该方法的核心在于其两阶段设计：首先，照明校准网络（LCNet）通过输入多张图像，使用深度学习技术自动估计出每个图像对应的光方向和强度，这阶段实现了对光条件的自适应校准；其次，法线估计网络（NEt）利用LCNet的输出作为输入，进一步推断出物体表面的法线方向，即使在光照条件未知的情况下也能提供更准确的三维重建。 相比于之前的单阶段模型，SDPS-Net引入了中间监督，降低了学习的复杂性，使得模型能更好地适应各种未知的反射率和光照条件。这在合成数据集和真实世界场景的实验中表现出了显著的优势，证明了其在处理未校准光度立体任务中的有效性。这种方法对于那些需要简单设置、对光源和反射率变化具有鲁棒性的应用来说，具有重要的实际价值，比如摄影测量、虚拟现实和增强现实等领域。 值得注意的是，尽管深度学习已经在许多计算机视觉任务中取得了巨大成功，但将其应用于未校准光度立体时，传统方法的局限性暴露出来。SDPS-Net的成功解决了这一挑战，展示了深度学习在解决复杂光照条件下物体几何信息恢复方面的潜力。通过结合深度学习的表征能力和对光照条件的自适应处理，SDPS-Net有望在未来成为光度立体领域的一个重要里程碑。