深度学习方法用于校准光度学立体声和超越
概括
本综述对光度立体的深度学习方法进行了调查,重点关注非兰伯特式表面. 它强调了先进的性能,并建议了表面正常估计的未来研究方向.
科学领域:
- 计算机视觉 计算机视觉
- 这是一种摄影计量技术 (photogrammetry).
- 机器学习 机器学习
背景情况:
- 光度立体声通过使用不同的照明来重建表面的正常值.
- 非兰伯特反射度使传统方法复杂化.
- 深度学习在处理复杂的表面特性方面表现有前途.
研究的目的:
- 综合审查基于深度学习的校准光度学立体声方法.
- 基于输入,监督和架构来分析这些方法.
- 总结业绩并确定未来的研究趋势.
主要方法:
- 关于深度学习光度立体技术的文献综述.
- 对正写摄像机和定向灯的方法分析.
- 在标准基准数据集上的绩效总结.
主要成果:
- 深度学习方法在光度立体声中展示了先进的性能.
- 分析涵盖了输入处理,监督策略和网络架构.
- 该审查巩固了当前最先进的深度学习方法.
结论:
- 深度学习显著增强了光度立体,特别是在非兰伯特表面.
- 现有的模型表现出强的性能,但有局限性.
- 未来的研究应该解决这些局限性,以改善表面重建.
