La estimación precisa de las normales de la superficie de un objeto juega un papel importante en diversas tareas de visión por computadora. Los métodos de estimación de normales de superficie basados en física polarizada presentan muchas limitaciones que restringen su utilidad práctica. Por otro lado, los métodos de estimación de normales de superficie polarizada basados en aprendizaje profundo superan a los métodos basados en física tanto en precisión como en aplicabilidad. Para mejorar aún más la precisión de la estimación basada en aprendizaje profundo y hacerla aplicable a más tareas prácticas, este artículo propone un nuevo método. Primero, se propone un nuevo método de representación de la información de polarización basado en el vector de Stokes, con el objetivo de mejorar la capacidad del modelo para extraer la información a priori física de la polarización. Luego se combina con un mecanismo de atención automática dispersa basado en enrutamiento de doble capa para mejorar la percepción del contexto global por parte del modelo y para una mejor desambiguación de la información local de polarización. Se realizaron pruebas en el conjunto de datos DeepSfP y en datos de prueba autoconstruidos. Los resultados experimentales muestran que el método propuesto tiene un error angular promedio de 13.37° en el conjunto de datos DeepSfP y que supera a los métodos existentes en todos los indicadores de prueba, incluyendo precisión y error angular, demostrando una mejora significativa en la estimación de normales. Al introducir un nuevo método de representación de la información de polarización y un mecanismo de atención automática dispersa, nuestro método mejora la precisión y aplicabilidad de la estimación de normales de superficie polarizada, proporcionando un apoyo más sólido para aplicaciones prácticas.

Representación de información de polarización;Mecanismo de atención automática dispersa;Estimación de normales de superficie polarizada