人工智能学院为第一单位的研究成果《PIE-PS: Photometric Stereo from Physical Irradiance Event Streams》被计算机图形学顶级会议SIGGRAPH ASIA2026条件接收。2025级博士生孟祥泽为第一作者，马锐老师为通讯作者。
论文详情：
题目：PIE-PS: Photometric Stereo from Physical Irradiance Event Streams
作者：Xiangze Meng(2025级博士生), Guangyu Li,JingLi,Songchen Ma,Di Mei,Mingkun Xu,Rui Ma
会议名称：SIGGRAPH ASIA 2026
论文概述：稠密表面法向恢复是几何重建与外观采集中的基础问题，广泛支撑内容创作、工业检测与增强现实，然而帧式光度立体在原理上将测量绑定于逐帧曝光，在高速运动光照与大动态范围下不可避免地受制于帧率、运动模糊与量化动态范围。事件相机虽以异步、微秒级延迟与高动态范围记录对数辐照度变化、在传感机理上天然契合运动光照下的法向估计，却也带来原始事件稀疏异步、且触发本质上依赖难以标定的未知对比度阈值这两重固有障碍。为此，本文从事件触发模型出发，推导相邻两事件与其时间戳处光照方向之间的成对光度约束，据此将事件对连同其光照对几何提升为一种结构化观测定义为物理辐照度事件（PIE，Physical Irradiance Events），其有符号事件率特征（PIEF，Physical Irradiance Event Feature）在构造上即免除了对未知对比度阈值的依赖，进而将稠密重建刻画为对PIE 时空图的推断，并以朗伯一致性抑制违背局部朗伯先验的观测。由此，物理建模与数据驱动学习之间形成明确的职责解耦，物理模型以显式前向关系刻画事件对的光度响应，并界定何种光照对几何构成有效约束。网络则负责处理未知对比度阈值、事件密度的空间非均匀性、非朗伯偏差与长程空间上下文等缺乏闭式解的推断问题。这一物理内嵌的学习框架在阴影、镜面高光、掠射光照与传感器噪声下均能平稳退化，于合成与真实基准上一致地超越既有事件式光度立体方法与纯物理直接求解基线。
