文件名称：UPS-GCNet:深度未校准的光度学立体中学到了什么？ （ECCV 2020年）
文件大小：1.01MB
文件格式：ZIP
更新时间：2024-05-24 13:12:50
photometric-stereo non-lambertian uncalibrated Python
不间断电源网 ， ，， ， 本文旨在发现一种深度的未校准光度立体（UPS）网络可以解决该问题的固有歧义，并在我们的分析基础上引入一种引导式认证网络（GCNet）。 概述： 我们提供： 在， ， ，和合成数据集上测试我们的方法的代码。 用于训练新模型的完整代码，包括调试，可视化和日志记录的代码。 目录 依存关系 测验 下载训练有素的模型 在DiLiGenT主数据集上测试GCNet 在Light Stage Data Gallery上测试GCNet 在Gourd＆Apple数据集上测试GCNet 在哈佛光度立体数据集上测试GCNet 在综合数据上测试GCNet 在上述数据集上测试LCNet 代码结构 训练 致谢 引文 依存关系 GCNet在实施PyTorch和与Ubuntu（14.04和16.04）和CentOS 7测试。 Python 3.7 PyTorch
【文件预览】：
UPS-GCNet-master
----utils()
--------draw_utils.py(834B)
--------utils.py(1KB)
--------__init__.py(0B)
--------eval_utils.py(3KB)
--------recorders.py(4KB)
--------clean.sh(72B)
--------test_utils.py(2KB)
--------logger.py(10KB)
--------time_utils.py(1KB)
--------train_utils.py(1KB)
----models()
--------model_utils.py(6KB)
--------archs()
--------L_model.py(6KB)
--------GCNet_N_model.py(4KB)
--------L_N_model.py(4KB)
--------GCNet_model.py(7KB)
--------__init__.py(812B)
--------N_model.py(4KB)
--------base_model.py(5KB)
----images()
--------UPS-GCNet.jpg(201KB)
--------gourd_apple()
--------lightstage_data.jpg(177KB)
--------diligent.jpg(106KB)
--------Harvard()
----scripts()
--------convert_gourd_apple_to_numpy.py(3KB)
--------DiLiGenT_objects.txt(88B)
--------download_pretrained_models.sh(237B)
--------download_trained_intermediate_models.sh(244B)
--------download_synthetic_datasets.sh(322B)
--------Harvard_objects.txt(41B)
--------crop_DiLiGenT_data.py(4KB)
--------prepare_diligent_dataset.sh(425B)
--------prepare_harvard_dataset.sh(381B)
----main.py(1KB)
----requirements.txt(323B)
----datasets()
--------pms_transforms.py(3KB)
--------ups_DiLiGenT_dataset.py(3KB)
--------util.py(7KB)
--------ups_synth_dataset.py(3KB)
--------ups_synth_test_dataset.py(4KB)
--------__init__.py(2KB)
--------ups_GourdApple_dataset.py(3KB)
--------ups_LightStage_dataset.py(3KB)
--------ups_Harvard_dataset.py(3KB)
----options()
--------base_opts.py(5KB)
--------run_model_opts.py(2KB)
--------__init__.py(0B)
--------train_opts.py(2KB)
----README.md(12KB)
----run_model.py(520B)
----docs()
--------training.md(4KB)
----.gitignore(2KB)