Publication

Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian Photometric Stereo

Pascal Fua, Engin Türetken
2021
Conference Papers

Résumé

The problem of estimating a surface shape from its observed reflectance properties still remains a challenging task in computer vision. The presence of global illumination effects such as inter-reflections or cast shadows makes the task particularly difficult for non-convex real-world surfaces. State-of-the-art methods for calibrated photometric stereo address these issues using convolutional neural networks (CNNs) that primarily aim to capture either the spatial context among adjacent pixels or the photometric one formed by illuminating a sample from adjacent directions.

Source officielle

https://infoscience.epfl.ch/entities/publication/c01e125d-3ad0-4ad8-8681-5ed6cc4fa4f4

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian Photometric Stereo

Chattez avec Graph Search

Aggregating Spatial and Photometric Context for Photometric Stereo

Random matrix methods for high-dimensional machine learning models

Deep learning approach for identification of H II regions during reionization in 21-cm observations - II. Foreground contamination