A estimativa precisa das normais da superfície de um objeto desempenha um papel importante em várias tarefas de visão computacional. Os métodos de estimativa de normais de superfície polarizada baseados em física apresentam várias limitações que restringem sua aplicabilidade. Em contrapartida, os métodos de estimativa de normais de superfície polarizada baseados em aprendizado profundo superam os métodos baseados em física tanto em precisão quanto em aplicabilidade. Para melhorar ainda mais a precisão da estimativa baseada em aprendizado profundo e torná-la aplicável a mais tarefas práticas, este artigo propõe um novo método. Primeiro, uma nova representação da informação de polarização baseada no vetor de Stokes foi proposta, visando melhorar a capacidade do modelo de extrair informações a priori físicas de polarização. Em seguida, foi combinado um mecanismo de autoatenção esparsa baseado em roteamento de dupla camada para melhorar a percepção do modelo sobre informações de contexto global, a fim de melhor desambiguar as informações locais de polarização. Testes foram realizados no conjunto de dados DeepSfP e em dados de teste auto-construídos. Os resultados experimentais mostram que o método proposto apresenta um erro angular médio de 13,37° no conjunto de dados DeepSfP e supera os métodos existentes em todos os indicadores de teste, incluindo precisão e erro angular, provando a melhoria significativa do método na estimativa das normais. Ao introduzir a nova representação de informações de polarização e o mecanismo de autoatenção esparsa, nosso método melhora a precisão e a aplicabilidade da estimativa das normais da superfície polarizada, oferecendo um suporte mais forte para aplicações práticas.

Representação da informação de polarização;Mecanismo de autoatenção esparsa;Estimação das normais de superfície polarizada