Luminance Calibration of High Dynamic Range Panoramas Using a Regular Tetrahedron Illuminance Meter: Part 1 – Theory and Simulations
Notice bibliographique
Résumé
High dynamic range (HDR) panoramic images have been taken as a new camera-aided lighting measurement technology. While the shooting of HDR panoramas has become quite easy with all kinds of commercially available software, the conventional luminance calibration procedure is complicated using a spot luminance meter and standard gray cards. This article proposes a solution to calibrate the luminance of HDR panoramas based on the physical measurement of scalar illuminance by a regular tetrahedron illuminance meter. The theoretical explanation for how the scalar illuminance can be approximated by the average illumination in the four directions of a regular tetrahedron’s faces was given. The performance of a cubic illuminance meter and a tetrahedron illuminance meter was tested under 205 indoor and 2,233 outdoor panoramas from the Laval HDR databases. The results indicate that the regular tetrahedron illuminance meter gave more reliable scalar illuminance, with an average absolute error being 1.7% and the relative standard deviation being 2%. As the scene gets more diffuse, the measurements get more robust. Then, the calibration factor is derived from the ratio of the measured scalar illuminance to the recovered scalar illuminance from the spherical harmonics decompositions of the HDR panoramas. This study has laid a theoretical basis for using an easily constructed regular tetrahedron illuminance meter to calibrate the luminance of HDR panoramas, which is much simpler to conduct, requires less time, has a lower cost, and is in acceptable precision. Furthermore, the regular tetrahedron illuminance meter has the potential to be integrated into a panoramic camera for the continuous calibration of fast-changing scenarios.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».