L'estimation précise des normales de surface d'un objet joue un rôle important dans diverses tâches de vision par ordinateur. Les méthodes d'estimation des normales de surface basées sur la polarisation physique présentent plusieurs limitations qui restreignent leur applicabilité. En revanche, les méthodes d'estimation des normales de surface polarisées basées sur l'apprentissage profond surpassent les méthodes physiques en termes de précision et d'applicabilité. Afin d'améliorer davantage la précision de l'estimation basée sur l'apprentissage profond et de la rendre applicable à davantage de tâches pratiques, cet article propose une nouvelle méthode. Tout d'abord, une nouvelle représentation de l'information de polarisation basée sur le vecteur de Stokes est proposée, visant à améliorer la capacité du modèle à extraire les connaissances a priori physiques de la polarisation. Ensuite, un mécanisme d'attention autonome clairsemé basé sur une double couche de routage est intégré pour améliorer la perception du contexte global par le modèle et mieux désambiguïser l'information de polarisation locale. Les tests ont été réalisés sur le jeu de données DeepSfP et sur des données de test auto-constituées. Les résultats expérimentaux montrent que la méthode proposée présente une erreur angulaire moyenne de 13,37° sur le jeu de données DeepSfP et surpasse les méthodes existantes sur tous les indicateurs de test, y compris la précision et l'erreur angulaire, démontrant une amélioration significative de l'estimation des normales. En introduisant une nouvelle représentation de l'information de polarisation et un mécanisme d'attention autonome clairsemé, notre méthode améliore la précision et l'applicabilité de l'estimation des normales de surface polarisées, offrant un meilleur support pour les applications pratiques.

Représentation de l'information de polarisation;Mécanisme d'attention autonome clairsemée;Estimation des normales de surface polarisées