本文将会介绍几种具有代表性的将深度学习与Photometric Stereo进行结合来进行三维重建的方法 一、开山之作 DPSN 论文：Deep Photometric Stereo Network github：https://github.com/hiroaki-santo/deep-photometric-stereo-network 参数化的郎伯反射模型建立在理想的漫反射假设下，而且

光源标定是进行光度立体三维重建的第一步，本文将介绍两种光源标定方法——基于金属球反射的标定以及基于“SFM”思想的标定 1.基于金属球反射的标定 标定光源的一种方法是使用金属球，在排到的金属球的照片上面的最亮的点指明了光源的方向 来源于http://pages.cs.wisc.edu/~csverma/CS766_09/Stereo/stereo.html的示意图： 然而，这幅示意图的几何

本文分为三部分，第一部分是使用最小二乘法求解物体表面法向量，第二部分是利用求解得到的法向量求出物体表面的深度（物体表面的高度场），第三部分是将求出的高度场写成obj文件后使用MeshLab显示 1. 最小二乘求解物体表面法向量 Python代码 代码所使用的数据来自https://github.com/yasumat/RobustPhotometricStereo import numpy

本文首先介绍基于稀疏回归的鲁棒光度立体三维重建，再介绍光度立体三维重建的基准数据集 1.基于稀疏回归的鲁棒光度立体三维重建 在基于光度的三维重建中，若表面不是郎伯的，会出现离群值，比如物体表面的投射阴影，附着阴影以及高光点（镜面反射），如图所示： 1.1 回归方法 我们对郎伯成像模型加上腐蚀（corruption，理解为加上噪声）： 再通过传统的最小二乘法求解： 但是，L2回归会受到

在计算机视觉的三维重建中，基于几何的方法有： SFM立体视觉 结构光 我们在这篇文章中介绍的是基于光度立体视觉的三维重建方法： 基于几何的三维重建方法中可以恢复粗略的三维形状，而光度法的特点是可以对物体进行精细恢复 0. 预备知识 0.1 物体表面法向量 一个表面的法向量（法线）n垂直于其切平面： 0.2 郎伯反射 特点: 1.反射光的量与 l T n ( = c o s θ

计算机视觉：朗伯光度立体法（Lambertian Photometric Stereo） 光度立体法简介朗伯光度立体法算法原理朗伯光度立体法matlab程序示例Albedo图Normal图Re_rendered图 参考文献 光度立体法简介 光度立体法，即Photometric Stereo, 最早是由当时在MIT的人工智能实验室的Robert J. Woodham教授在1978年