.png){kind=icon}
返回
Fine-grained normal estimation via feature-augmented knowledge transfer
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2026.113546.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 我们提出了一种具有几何感知的蒸馏框架，该框架将几何先验从高容量教师模型转移到灵活的学生模型中，实现了法线估计中精细表面细节的恢复。
• 我们提出了一种特征引导的一致性损失，该损失将学生预测的法线与从输入图像中提取的结构线索对齐，增强了高频几何信息的保留。
• 我们通过大量实验表明，我们的方法达到了最先进的性能，特别是在保留精细细节和生成准确、高保真表面法线图方面，在具有挑战性的真实场景中表现突出。
Keyword:
geometry-aware distillation
normal estimation
feature-guided consistency loss
knowledge transfer
surface normal maps
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
查看更多机构
.png){kind=icon}
