Точное оценивание нормалей поверхности объекта играет важную роль во многих задачах компьютерного зрения. Физически основанные методы оценки поляризационных нормалей поверхности имеют многочисленные ограничения, которые ограничивают их практическое применение. В то же время методы на основе глубокого обучения для оценки поляризационных нормалей поверхности превосходят физические методы как по точности, так и по применимости. Для дальнейшего повышения точности оценки на основе глубокого обучения и расширения возможностей ее применения в реальных задачах, в данной статье предложен новый метод. Во-первых, предложено новое представление поляризационной информации на основе векторов Стокса, направленное на улучшение способности модели извлекать физические априорные знания о поляризации. Затем внедрён механизм разреженного самовнимания на основе двухслойной маршрутизации, который улучшает восприятие моделью глобального контекста для лучшего устранения неоднозначности локальной поляризационной информации. Тестирование проводилось на датасете DeepSfP и собственноручно собранных тестовых данных. Экспериментальные результаты показывают, что предложенный метод достигает средней угловой ошибки 13.37° на датасете DeepSfP и превосходит существующие методы по всем метрикам тестирования, включая точность и угловую ошибку, что свидетельствует о заметном улучшении оценки нормалей поверхности. Введя новое представление поляризационной информации и механизм разреженного самовнимания, наш метод улучшает точность и применимость оценки поляризационных нормалей поверхности, обеспечивая более мощную поддержку для практических задач.

Представление поляризационной информации;Механизм разреженного самовнимания;Оценка поляризационных нормалей поверхности