Ricerca
PolarScale: un benchmark fondato sulla fisica per la stima radiometricamente coerente dei parametri di Stokes a partire da RGB
L’imaging polarimetrico fornisce informazioni fisiche che vanno oltre quelle delle immagini basate sull’intensità, ma richiede generalmente hardware specializzato. I metodi recenti inferiscono la pola

- arXiv
- 2610.08346
- Pubblicato
- 2026-10-06
- Autori
- Beibei Lin, Tingting Chen, Xin Zhang, Wenhao Zhao, Dongjun Li, Zifeng Yuan
Abstract degli autori
L’imaging polarimetrico fornisce informazioni fisiche che vanno oltre quelle delle immagini basate sull’intensità, ma richiede generalmente hardware specializzato. I metodi recenti inferiscono la polarizzazione da input simili a immagini RGB, ma prevedono soltanto componenti di Stokes normalizzate o descrittori relativi, dai quali la scala radiometrica necessaria per ricostruire tutti i parametri di Stokes è stata eliminata mediante divisione. Presentiamo PolarScale, un benchmark che fa di questa scala un obiettivo esplicito di previsione e valutazione. Basato su misurazioni tricromatiche esistenti di tutti i parametri di Stokes, PolarScale prende in input l’immagine dell’intensità totale $s_0$ normalizzata per ciascuna scena (un’immagine lineare riferita alla scena, non una fotografia sRGB destinata ai consumatori) e chiede ai modelli di prevedere componenti di Stokes normalizzate, AoLP/DoLP/DoCP e una scala per scena. Poiché la scala è stata eliminata dall’input mediante divisione, non è fisicamente identificabile; PolarScale valuta quindi la stima semantica della scala condizionata dal dataset rispetto a un controllo a scala costante, insieme a metriche angolari, di autoconsistenza e relative ai limiti fisici. Su sette architetture di base per il restauro delle immagini e generative e tre strategie di previsione, i migliori modelli per il restauro stimano la scala con un errore relativo medio del 3,6-4,3%, contro il 5,7% del controllo a scala costante, e violano i limiti fisici in meno dello 0,25% dei pixel, mentre due modelli generativi di riferimento collassano su una scala prossima a zero; la supervisione esplicita dei descrittori ne migliora l’accuratezza (23,66 contro 18,88 dB di PSNR per MAE). Le rappresentazioni previste di tutti i parametri di Stokes migliorano la separazione delle componenti diffusa e speculare, la segmentazione dei materiali e la classificazione dell’abbagliamento, sebbene nella separazione delle componenti diffusa e speculare la scala appresa offra prestazioni soltanto pari a quelle del controllo a scala costante.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv