偏振物理先验和深度学习联合驱动的红外偏振三维重建OA

针对红外偏振三维重建中存在的表面法向量歧义及纯数据驱动方法缺乏物理约束的问题,提出一种融合红外偏振物理先验与深度学习的重建方法,旨在提升法向量估计的准确性与稳定性,实现目标表面的高精度三维重建。从偏振图像原始数据中解析出红外强度、线偏振度及偏振角等偏振信息,依据混合偏振辐射模型所建立的天顶角-线偏振度关系,反演得到表面法向量的天顶角,并利用偏振角与表面几何的对应关系推导出两个候选方位角,从而构建出候选法向量。设计了ThermalUNet网络,以偏振信息为输入生成参考法向量。最后,利用该参考法向量对物理模型产生的候选法向量进行约束与校正,以获得一致稳定的法向量场。在公开ThermoPol16长波红外偏振数据集上的实验结果表明,本文方法获得的法向量平均角度误差为8.36°,误差小于11.25°的像素占比达到81.97%,重建精度优于现有方法。在自采集中波红外偏振成像数据集上的进一步验证显示,针对不同温度和材质的目标,法向量平均角度误差为7.3°,表明方法能够稳定且准确恢复目标的表面三维形貌。该方法解决了偏振三维重建中的法向量歧义问题,在不同材质、温度及红外波段条件下均展现出良好的重建精度与稳定性。