Computer Vision ACCV 2018 14th Asian

Conference on Computer Vision Perth

Australia December 2 6 2018 Revised
Selected Papers Part II C. V. Jawahar
Visit to download the full and correct content document:
https://textbookfull.com/product/computer-vision-accv-2018-14th-asian-conference-on
-computer-vision-perth-australia-december-2-6-2018-revised-selected-papers-part-ii-c
-v-jawahar/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...

Computer Vision ACCV 2018 14th Asian Conference on

Computer Vision Perth Australia December 2 6 2018
Revised Selected Papers Part I C. V. Jawahar

https://textbookfull.com/product/computer-vision-accv-2018-14th-
asian-conference-on-computer-vision-perth-australia-
december-2-6-2018-revised-selected-papers-part-i-c-v-jawahar/

Computer Vision ACCV 2018 14th Asian Conference on

Computer Vision Perth Australia December 2 6 2018
Revised Selected Papers Part III C. V. Jawahar

https://textbookfull.com/product/computer-vision-accv-2018-14th-
asian-conference-on-computer-vision-perth-australia-
december-2-6-2018-revised-selected-papers-part-iii-c-v-jawahar/

Computer Vision ACCV 2018 14th Asian Conference on

Computer Vision Perth Australia December 2 6 2018
Revised Selected Papers Part V C.V. Jawahar

https://textbookfull.com/product/computer-vision-accv-2018-14th-
asian-conference-on-computer-vision-perth-australia-
december-2-6-2018-revised-selected-papers-part-v-c-v-jawahar/

Computer Vision ACCV 2018 14th Asian Conference on

Computer Vision Perth Australia December 2 6 2018
Revised Selected Papers Part IV C.V. Jawahar

https://textbookfull.com/product/computer-vision-accv-2018-14th-
asian-conference-on-computer-vision-perth-australia-
december-2-6-2018-revised-selected-papers-part-iv-c-v-jawahar/
Computer Vision ACCV 2018 14th Asian Conference on
Computer Vision Perth Australia December 2 6 2018
Revised Selected Papers Part VI C.V. Jawahar

https://textbookfull.com/product/computer-vision-accv-2018-14th-
asian-conference-on-computer-vision-perth-australia-
december-2-6-2018-revised-selected-papers-part-vi-c-v-jawahar/

Computer Vision Applications Third Workshop WCVA 2018

Held in Conjunction with ICVGIP 2018 Hyderabad India
December 18 2018 Revised Selected Papers Chetan Arora

https://textbookfull.com/product/computer-vision-applications-
third-workshop-wcva-2018-held-in-conjunction-with-
icvgip-2018-hyderabad-india-december-18-2018-revised-selected-
papers-chetan-arora/

Computer Vision ECCV 2018 Workshops Munich Germany

September 8 14 2018 Proceedings Part V Laura Leal-Taixé

https://textbookfull.com/product/computer-vision-
eccv-2018-workshops-munich-germany-
september-8-14-2018-proceedings-part-v-laura-leal-taixe/

Computer Vision ECCV 2018 Workshops Munich Germany

September 8 14 2018 Proceedings Part II Laura Leal-
Taixé

https://textbookfull.com/product/computer-vision-
eccv-2018-workshops-munich-germany-
september-8-14-2018-proceedings-part-ii-laura-leal-taixe/

Computer Vision ECCV 2018 15th European Conference

Munich Germany September 8 14 2018 Proceedings Part III
Vittorio Ferrari

https://textbookfull.com/product/computer-vision-eccv-2018-15th-
european-conference-munich-germany-
september-8-14-2018-proceedings-part-iii-vittorio-ferrari/
 C. V. Jawahar
Hongdong Li
Greg Mori
Konrad Schindler (Eds.)
LNCS 11362

Computer Vision –
ACCV 2018
14th Asian Conference on Computer Vision
Perth, Australia, December 2–6, 2018
Revised Selected Papers, Part II

123
Lecture Notes in Computer Science 11362
Commenced Publication in 1973
Founding and Former Series Editors:
Gerhard Goos, Juris Hartmanis, and Jan van Leeuwen

Editorial Board Members

David Hutchison
Lancaster University, Lancaster, UK
Takeo Kanade
Carnegie Mellon University, Pittsburgh, PA, USA
Josef Kittler
University of Surrey, Guildford, UK
Jon M. Kleinberg
Cornell University, Ithaca, NY, USA
Friedemann Mattern
ETH Zurich, Zurich, Switzerland
John C. Mitchell
Stanford University, Stanford, CA, USA
Moni Naor
Weizmann Institute of Science, Rehovot, Israel
C. Pandu Rangan
Indian Institute of Technology Madras, Chennai, India
Bernhard Steffen
TU Dortmund University, Dortmund, Germany
Demetri Terzopoulos
University of California, Los Angeles, CA, USA
Doug Tygar
University of California, Berkeley, CA, USA
More information about this series at http://www.springer.com/series/7412
C. V. Jawahar Hongdong Li
• •

Greg Mori Konrad Schindler (Eds.)

•

Computer Vision –
ACCV 2018
14th Asian Conference on Computer Vision
Perth, Australia, December 2–6, 2018
Revised Selected Papers, Part II

123
Editors
C. V. Jawahar Hongdong Li
IIIT Hyderabad ANU
Hyderabad, India Canberra, ACT, Australia
Greg Mori Konrad Schindler
Simon Fraser University ETH Zurich
Burnaby, BC, Canada Zurich, Zürich, Switzerland

ISSN 0302-9743 ISSN 1611-3349 (electronic)

Lecture Notes in Computer Science
ISBN 978-3-030-20889-9 ISBN 978-3-030-20890-5 (eBook)
https://doi.org/10.1007/978-3-030-20890-5
LNCS Sublibrary: SL6 – Image Processing, Computer Vision, Pattern Recognition, and Graphics

© Springer Nature Switzerland AG 2019

This work is subject to copyright. All rights are reserved by the Publisher, whether the whole or part of the
material is concerned, specifically the rights of translation, reprinting, reuse of illustrations, recitation,
broadcasting, reproduction on microfilms or in any other physical way, and transmission or information
storage and retrieval, electronic adaptation, computer software, or by similar or dissimilar methodology now
known or hereafter developed.
The use of general descriptive names, registered names, trademarks, service marks, etc. in this publication
does not imply, even in the absence of a specific statement, that such names are exempt from the relevant
protective laws and regulations and therefore free for general use.
The publisher, the authors and the editors are safe to assume that the advice and information in this book are
believed to be true and accurate at the date of publication. Neither the publisher nor the authors or the editors
give a warranty, expressed or implied, with respect to the material contained herein or for any errors or
omissions that may have been made. The publisher remains neutral with regard to jurisdictional claims in
published maps and institutional affiliations.

This Springer imprint is published by the registered company Springer Nature Switzerland AG
The registered company address is: Gewerbestrasse 11, 6330 Cham, Switzerland
 Preface

The Asian Conference on Computer Vision (ACCV) 2018 took place in Perth,
Australia, during December 2–6, 2018. The conference featured novel research con-
tributions from almost all sub-areas of computer vision.
This year we received a record number of conference submissions. After removing
the desk rejects, 979 valid, complete manuscripts were submitted for review. A pool of
34 area chairs and 1,063 reviewers was recruited to conduct paper reviews. Like
previous editions of ACCV, we adopted a double-blind review process to determine
which of these papers to accept. Identities of authors were not visible to reviewers and
area chairs; nor were the identities of the assigned reviewers and area chairs visible to
authors. The program chairs did not submit papers to the conference.
Each paper was reviewed by at least three reviewers. Authors were permitted to
respond to the initial reviews during a rebuttal period. After this, the area chairs led
discussions among reviewers. Finally, a physical area chairs was held in Singapore,
during which panels of three area chairs deliberated to decide on acceptance decisions
for each paper. At the end of this process, 274 papers were accepted for publication in
the ACCV 2018 conference proceedings, of which five were later withdrawn by their
authors.
In addition to the main conference, ACCV 2018 featured 11 workshops and six
tutorials.
We would like to thank all the organizers, sponsors, area chairs, reviewers, and
authors. Special thanks go to Prof. Guosheng Lin from Nanyang Technological
University, Singapore, for hosting the area chair meeting. We acknowledge the support
of Microsoft’s Conference Management Toolkit (CMT) team for providing the
software used to manage the review process.
We greatly appreciate the efforts of all those who contributed to making the
conference a success.

December 2018 C. V. Jawahar

Hongdong Li
Greg Mori
Konrad Schindler
 Organization

General Chairs
Kyoung-mu Lee Seoul National University, South Korea
Ajmal Mian University of Western Australia, Australia
Ian Reid University of Adelaide, Australia
Yoichi Sato University of Tokyo, Japan

Program Chairs
C. V. Jawahar IIIT Hyderabad, India
Hongdong Li Australian National University, Australia
Greg Mori Simon Fraser University and Borealis AI, Canada
Konrad Schindler ETH Zurich, Switzerland

Advisor
Richard Hartley Australian National University, Australia

Publication Chair
Hamid Rezatofighi University of Adelaide, Australia

Local Arrangements Chairs

Guosheng Lin Nanyang Technological University, Singapore
Ajmal Mian University of Western Australia, Australia

Area Chairs
Lourdes Agapito University College London, UK
Xiang Bai Huazhong University of Science and Technology,
China
Vineeth N. IIT Hyderabad, India
Balasubramanian
Gustavo Carneiro University of Adelaide, Australia
Tat-Jun Chin University of Adelaide, Australia
Minsu Cho POSTECH, South Korea
Bohyung Han Seoul National University, South Korea
Junwei Han Northwestern Polytechnical University, China
Mehrtash Harandi Monash University, Australia
Gang Hua Microsoft Research, Asia
viii Organization

Rei Kawakami University of Tokyo, Japan

Tae-Kyun Kim Imperial College London, UK
Junseok Kwon Chung-Ang University, South Korea
Florent Lafarge Inria, France
Laura Leal-Taixé TU Munich, Germany
Zhouchen Lin Peking University, China
Yanxi Liu Penn State University, USA
Oisin Mac Aodha Caltech, USA
Anurag Mittal IIT Madras, India
Vinay Namboodiri IIT Kanpur, India
P. J. Narayanan IIIT Hyderabad, India
Carl Olsson Lund University, Sweden
Imari Sato National Institute of Informatics
Shiguang Shan Chinese Academy of Sciences, China
Chunhua Shen University of Adelaide, Australia
Boxin Shi Peking University, China
Terence Sim National University of Singapore, Singapore
Yusuke Sugano Osaka University, Japan
Min Sun National Tsing Hua University, Taiwan
Robby Tan Yale-NUS College, USA
Siyu Tang MPI for Intelligent Systems
Radu Timofte ETH Zurich, Switzerland
Jingyi Yu University of Delaware, USA
Junsong Yuan State University of New York at Buffalo, USA

Additional Reviewers

Ehsan Abbasnejad Ognjen Arandjelovic Nick Barnes

Akash Abdu Jyothi Anil Armagan Peter Barnum
Abrar Abdulnabi Chetan Arora Joe Bartels
Nagesh Adluru Mathieu Aubry Paul Beardsley
Antonio Agudo Hossein Azizpour Sima Behpour
Unaiza Ahsan Seung-Hwan Baek Vasileios Belagiannis
Hai-zhou Ai Aijun Bai Boulbaba Ben Amor
Alexandre Alahi Peter Bajcsy Archith Bency
Xavier Alameda-Pineda Amr Bakry Ryad Benosman
Andrea Albarelli Vassileios Balntas Gedas Bertasius
Mohsen Ali Yutong Ban Ross Beveridge
Saad Ali Arunava Banerjee Binod Bhattarai
Mitsuru Ambai Monami Banerjee Arnav Bhavsar
Cosmin Ancuti Atsuhiko Banno Simone Bianco
Vijay Rengarajan Angarai Aayush Bansal Oliver Bimber
Pichaikuppan Dániel Baráth Tolga Birdal
Michel Antunes Lorenzo Baraldi Horst Bischof
Djamila Aouada Adrian Barbu Arijit Biswas
 Organization ix

Soma Biswas Jiacheng Chen James Crowley

Henryk Blasinski Jianhui Chen Jinshi Cui
Vishnu Boddeti Jiansheng Chen Zhaopeng Cui
Federica Bogo Jiaxin Chen Bo Dai
Tolga Bolukbasi Jie Chen Hang Dai
Terrance Boult Kan Chen Xiyang Dai
Thierry Bouwmans Longbin Chen Yuchao Dai
Abdesselam Bouzerdoum Ting Chen Carlo Dal Mutto
Ernesto Brau Tseng-Hung Chen Zachary Daniels
Mathieu Bredif Wei Chen Mohamed Daoudi
Stefan Breuers Xi’ai Chen Abir Das
Marcus Brubaker Xiaozhi Chen Raoul De Charette
Anders Buch Xilin Chen Teofilo Decampos
Shyamal Buch Xinlei Chen Koichiro Deguchi
Pradeep Buddharaju Yunjin Chen Stefanie Demirci
Adrian Bulat Erkang Cheng Girum Demisse
Darius Burschka Hong Cheng Patrick Dendorfer
Andrei Bursuc Hui Cheng Zhiwei Deng
Zoya Bylinskii Jingchun Cheng Joachim Denzler
Weidong Cai Ming-Ming Cheng Aditya Deshpande
Necati Cihan Camgoz Wen-Huang Cheng Frédéric Devernay
Shaun Canavan Yuan Cheng Abhinav Dhall
Joao Carreira Zhi-Qi Cheng Anthony Dick
Dan Casas Loong Fah Cheong Zhengming Ding
M. Emre Celebi Anoop Cherian Cosimo Distante
Hakan Cevikalp Liang-Tien Chia Ajay Divakaran
François Chadebecq Chao-Kai Chiang Mandar Dixit
Menglei Chai Shao-Yi Chien Thanh-Toan Do
Rudrasis Chakraborty Han-Pang Chiu Jose Dolz
Tat-Jen Cham Wei-Chen Chiu Bo Dong
Kwok-Ping Chan Donghyeon Cho Chao Dong
Sharat Chandran Nam Ik Cho Jingming Dong
Chehan Chang Sunghyun Cho Ming Dong
Hyun Sung Chang Yeong-Jun Cho Weisheng Dong
Yi Chang Gyeongmin Choe Simon Donne
Wei-Lun Chao Chiho Choi Gianfranco Doretto
Visesh Chari Jonghyun Choi Bruce Draper
Gaurav Chaurasia Jongmoo Choi Bertram Drost
Rama Chellappa Jongwon Choi Liang Du
Chen Chen Hisham Cholakkal Shichuan Du
Chu-Song Chen Biswarup Choudhury Jean-Luc Dugelay
Dongdong Chen Xiao Chu Enrique Dunn
Guangyong Chen Yung-Yu Chuang Thibaut Durand
Hsin-I Chen Andrea Cohen Zoran Duric
Huaijin Chen Toby Collins Ionut Cosmin Duta
Hwann-Tzong Chen Marco Cristani Samyak Dutta
x Organization

Pinar Duygulu Ravi Garg Yang He

Ady Ecker Jochen Gast Zhenliang He
Hazim Ekenel Utkarsh Gaur Zhihai He
Sabu Emmanuel Xin Geng Felix Heide
Ian Endres David Geronimno Samitha Herath
Ertunc Erdil Michael Gharbi Luis Herranz
Hugo Jair Escalante Amir Ghodrati Anders Heyden
Sergio Escalera Behnam Gholami Je Hyeong Hong
Francisco Escolano Ruiz Andrew Gilbert Seunghoon Hong
Bin Fan Rohit Girdhar Wei Hong
Shaojing Fan Ioannis Gkioulekas Le Hou
Yi Fang Guy Godin Chiou-Ting Hsu
Aly Farag Nuno Goncalves Kuang-Jui Hsu
Giovanni Farinella Yu Gong Di Hu
Rafael Felix Stephen Gould Hexiang Hu
Michele Fenzi Venu Govindu Ping Hu
Bob Fisher Oleg Grinchuk Xu Hu
David Fofi Jiuxiang Gu Yinlin Hu
Gian Luca Foresti Shuhang Gu Zhiting Hu
Victor Fragoso Paul Guerrero De-An Huang
Bernd Freisleben Anupam Guha Gao Huang
Jason Fritts Guodong Guo Gary Huang
Cheng-Yang Fu Yanwen Guo Haibin Huang
Chi-Wing Fu Ankit Gupta Haifei Huang
Huazhu Fu Mithun Gupta Haozhi Huang
Jianlong Fu Saurabh Gupta Jia-Bin Huang
Xueyang Fu Hossein Hajimirsadeghi Shaoli Huang
Ying Fu Maciej Halber Sheng Huang
Yun Fu Xiaoguang Han Xinyu Huang
Olac Fuentes Yahong Han Xun Huang
Jan Funke Zhi Han Yan Huang
Ryo Furukawa Kenji Hara Yawen Huang
Yasutaka Furukawa Tatsuya Harada Yinghao Huang
Manuel Günther Ali Harakeh Yizhen Huang
Raghudeep Gadde Adam Harley Wei-Chih Hung
Matheus Gadelha Ben Harwood Junhwa Hur
Jürgen Gall Mahmudul Hasan Mohamed Hussein
Silvano Galliani Kenji Hata Jyh-Jing Hwang
Chuang Gan Michal Havlena Ichiro Ide
Zhe Gan Munawar Hayat Satoshi Ikehata
Vineet Gandhi Zeeshan Hayder Radu Tudor Ionescu
Arvind Ganesh Jiawei He Go Irie
Bin-Bin Gao Kun He Ahmet Iscen
Jin Gao Lei He Vamsi Ithapu
Jiyang Gao Lifang He Daisuke Iwai
Junbin Gao Pan He Won-Dong Jang
 Organization xi

Dinesh Jayaraman Salman Khan Yasir Latif

Sadeep Jayasumana Rawal Khirodkar Huu Le
Suren Jayasuriya Mehran Khodabandeh Herve Le Borgne
Hueihan Jhuang Anna Khoreva Chun-Yi Lee
Dinghuang Ji Parmeshwar Khurd Gim Hee Lee
Mengqi Ji Hadi Kiapour Seungyong Lee
Hongjun Jia Joe Kileel Teng-Yok Lee
Jiayan Jiang Edward Kim Seungkyu Lee
Qing-Yuan Jiang Gunhee Kim Andreas Lehrmann
Tingting Jiang Hansung Kim Na Lei
Xiaoyi Jiang Hyunwoo Kim Spyridon Leonardos
Zhuolin Jiang Junsik Kim Marius Leordeanu
Zequn Jie Seon Joo Kim Matt Leotta
Xiaojie Jin Vladimir Kim Gil Levi
Younghyun Jo Akisato Kimura Evgeny Levinkov
Ole Johannsen Ravi Kiran Jose Lezama
Hanbyul Joo Roman Klokov Ang Li
Jungseock Joo Takumi Kobayashi Chen Li
Kyungdon Joo Amir Kolaman Chunyuan Li
Shantanu Joshi Naejin Kong Dangwei Li
Amin Jourabloo Piotr Koniusz Dingzeyu Li
Deunsol Jung Hyung Il Koo Dong Li
Anis Kacem Dimitrios Kosmopoulos Hai Li
Ioannis Kakadiaris Gregory Kramida Jianguo Li
Zdenek Kalal Praveen Krishnan Stan Li
Nima Kalantari Ravi Krishnan Wanqing Li
Mahdi Kalayeh Hiroyuki Kubo Wei Li
Sinan Kalkan Hilde Kuehne Xi Li
Vicky Kalogeiton Jason Kuen Xirong Li
Joni-Kristian Kamarainen Arjan Kuijper Xiu Li
Martin Kampel Kuldeep Kulkarni Xuelong Li
Meina Kan Shiro Kumano Yanghao Li
Kenichi Kanatani Avinash Kumar Yin Li
Atsushi Kanehira Soumava Roy Kumar Yingwei Li
Takuhiro Kaneko Kaustav Kundu Yongjie Li
Zhuoliang Kang Sebastian Kurtek Yu Li
Mohan Kankanhalli Yevhen Kuznietsov Yuncheng Li
Vadim Kantorov Heeseung Kwon Zechao Li
Nikolaos Karianakis Alexander Ladikos Zhengqi Li
Leonid Karlinsky Kevin Lai Zhengqin Li
Zoltan Kato Wei-Sheng Lai Zhuwen Li
Hiroshi Kawasaki Shang-Hong Lai Zhouhui Lian
Wei Ke Michael Lam Jie Liang
Wadim Kehl Zhenzhong Lan Zicheng Liao
Sameh Khamis Dong Lao Jongwoo Lim
Naeemullah Khan Katrin Lasinger Ser-Nam Lim
xii Organization

Kaimo Lin Fujun Luan Domingo Mery

Shih-Yao Lin Jian-Hao Luo Pascal Mettes
Tsung-Yi Lin Jiebo Luo Jan Hendrik Metzen
Weiyao Lin Weixin Luo Gregor Miller
Yuewei Lin Khoa Luu Cai Minjie
Venice Liong Chao Ma Ikuhisa Mitsugami
Giuseppe Lisanti Huimin Ma Daisuke Miyazaki
Roee Litman Kede Ma Davide Modolo
Jim Little Lin Ma Pritish Mohapatra
Anan Liu Shugao Ma Pascal Monasse
Chao Liu Wei-Chiu Ma Sandino Morales
Chen Liu Will Maddern Pietro Morerio
Eryun Liu Ludovic Magerand Saeid Motiian
Fayao Liu Luca Magri Arsalan Mousavian
Huaping Liu Behrooz Mahasseni Mikhail Mozerov
Jingen Liu Tahmida Mahmud Yasuhiro Mukaigawa
Lingqiao Liu Robert Maier Yusuke Mukuta
Miaomiao Liu Subhransu Maji Mario Munich
Qingshan Liu Yasushi Makihara Srikanth Muralidharan
Risheng Liu Clement Mallet Ana Murillo
Sifei Liu Abed Malti Vittorio Murino
Tyng-Luh Liu Devraj Mandal Armin Mustafa
Weiyang Liu Fabian Manhardt Hajime Nagahara
Xialei Liu Gian Luca Marcialis Shruti Nagpal
Xianglong Liu Julio Marco Mahyar Najibi
Xiao Liu Diego Marcos Katsuyuki Nakamura
Yebin Liu Ricardo Martin Seonghyeon Nam
Yi Liu Tanya Marwah Loris Nanni
Yu Liu Marc Masana Manjunath Narayana
Yun Liu Jonathan Masci Lakshmanan Nataraj
Ziwei Liu Takeshi Masuda Neda Nategh
Stephan Liwicki Yusuke Matsui Lukáš Neumann
Liliana Lo Presti Tetsu Matsukawa Shawn Newsam
Fotios Logothetis Gellert Mattyus Joe Yue-Hei Ng
Javier Lorenzo Thomas Mauthner Thuyen Ngo
Manolis Lourakis Bruce Maxwell David Nilsson
Brian Lovell Steve Maybank Ji-feng Ning
Chen Change Loy Amir Mazaheri Mark Nixon
Chaochao Lu Scott Mccloskey Shohei Nobuhara
Feng Lu Mason Mcgill Hyeonwoo Noh
Huchuan Lu Nazanin Mehrasa Mehdi Noroozi
Jiajun Lu Ishit Mehta Erfan Noury
Kaiyue Lu Xue Mei Eyal Ofek
Xin Lu Heydi Mendez-Vazquez Seong Joon Oh
Yijuan Lu Gaofeng Meng Seoung Wug Oh
Yongxi Lu Bjoern Menze Katsunori Ohnishi
 Organization xiii

Iason Oikonomidis Sudeep Pillai Hamed Rezazadegan

Takeshi Oishi Wong Ya Ping Tavakoli
Takahiro Okabe Lerrel Pinto Rafael Rezende
Takayuki Okatani Fiora Pirri Helge Rhodin
Gustavo Olague Matteo Poggi Alexander Richard
Kyle Olszewski Georg Poier Stephan Richter
Mohamed Omran Marius Popescu Gernot Riegler
Roy Or-El Ronald Poppe Christian Riess
Ivan Oseledets Dilip Prasad Ergys Ristani
Martin R. Oswald Andrea Prati Tobias Ritschel
Tomas Pajdla Maria Priisalu Mariano Rivera
Dipan Pal Véronique Prinet Antonio Robles-Kelly
Kalman Palagyi Victor Prisacariu Emanuele Rodola
Manohar Paluri Hugo Proenca Andres Rodriguez
Gang Pan Jan Prokaj Mikel Rodriguez
Jinshan Pan Daniel Prusa Matteo Ruggero Ronchi
Yannis Panagakis Yunchen Pu Xuejian Rong
Rameswar Panda Guo-Jun Qi Bodo Rosenhahn
Hsing-Kuo Pao Xiaojuan Qi Arun Ross
Dim Papadopoulos Zhen Qian Peter Roth
Konstantinos Papoutsakis Yu Qiao Michel Roux
Shaifali Parashar Jie Qin Ryusuke Sagawa
Hyun Soo Park Lei Qin Hideo Saito
Jinsun Park Chao Qu Shunsuke Saito
Taesung Park Faisal Qureshi Parikshit Sakurikar
Wonpyo Park Petia Radeva Albert Ali Salah
Alvaro Parra Bustos Venkatesh Babu Jorge Sanchez
Geoffrey Pascoe Radhakrishnan Conrad Sanderson
Ioannis Patras Ilija Radosavovic Aswin Sankaranarayanan
Genevieve Patterson Bogdan Raducanu Swami Sankaranarayanan
Georgios Pavlakos Hossein Rahmani Archana Sapkota
Ioannis Pavlidis Swaminathan Rahul Michele Sasdelli
Nick Pears Ajit Rajwade Jun Sato
Pieter Peers Kandan Ramakrishnan Shin’ichi Satoh
Selen Pehlivan Visvanathan Ramesh Torsten Sattler
Xi Peng Yongming Rao Manolis Savva
Xingchao Peng Sathya Ravi Tanner Schmidt
Janez Perš Michael Reale Dirk Schnieders
Talita Perciano Adria Recasens Samuel Schulter
Adrian Peter Konstantinos Rematas Rajvi Shah
Lars Petersson Haibing Ren Shishir Shah
Stavros Petridis Jimmy Ren Sohil Shah
Patrick Peursum Wenqi Ren Moein Shakeri
Trung Pham Zhile Ren Nataliya Shapovalova
Sang Phan Edel Garcia Reyes Aidean Sharghi
Marco Piccirilli Hamid Rezatofighi Gaurav Sharma
xiv Organization

Pramod Sharma Jong-Chyi Su Kinh Tieu

Li Shen Shuochen Su Massimo Tistarelli
Shuhan Shen Yu-Chuan Su Henning Tjaden
Wei Shen Zhixun Su Matthew Toews
Xiaoyong Shen Ramanathan Subramanian Chetan Tonde
Zhiqiang Shen Akihiro Sugimoto Akihiko Torii
Lu Sheng Waqas Sultani Andrea Torsello
Baoguang Shi Jiande Sun Toan Tran
Guangming Shi Jin Sun Leonardo Trujillo
Miaojing Shi Ju Sun Tomasz Trzcinski
Zhiyuan Shi Lin Sun Sam Tsai
Takashi Shibata Min Sun Yi-Hsuan Tsai
Huang-Chia Shih Yao Sun Ivor Tsang
Meng-Li Shih Zhaohui Sun Vagia Tsiminaki
Sheng-Wen Shih David Suter Aggeliki Tsoli
Atsushi Shimada Tanveer Syeda-Mahmood Wei-Chih Tu
Nobutaka Shimada Yuichi Taguchi Shubham Tulsiani
Daeyun Shin Jun Takamatsu Sergey Tulyakov
Young Min Shin Takafumi Taketomi Tony Tung
Koichi Shinoda Hugues Talbot Matt Turek
Tianmin Shu Youssef Tamaazousti Seiichi Uchida
Zhixin Shu Toru Tamak Oytun Ulutan
Bing Shuai Robert Tamburo Martin Urschler
Karan Sikka Chaowei Tan Mikhail Usvyatsov
Jack Sim David Joseph Tan Alexander Vakhitov
Marcel Simon Ping Tan Julien Valentin
Tomas Simon Xiaoyang Tan Ernest Valveny
Vishwanath Sindagi Kenichiro Tanaka Ian Van Der Linde
Gurkirt Singh Masayuki Tanaka Kiran Varanasi
Maneet Singh Jinhui Tang Gul Varol
Praveer Singh Meng Tang Francisco Vasconcelos
Ayan Sinha Peng Tang Pascal Vasseur
Sudipta Sinha Wei Tang Javier Vazquez-Corral
Vladimir Smutny Yuxing Tang Ashok Veeraraghavan
Francesco Solera Junli Tao Andreas Velten
Amir Arsalan Soltani Xin Tao Raviteja Vemulapalli
Eric Sommerlade Makarand Tapaswi Jonathan Ventura
Andy Song Jean-Philippe Tarel Subhashini Venugopalan
Shiyu Song Keisuke Tateno Yashaswi Verma
Yibing Song Joao Tavares Matthias Vestner
Humberto Sossa Bugra Tekin Minh Vo
Concetto Spampinato Mariano Tepper Jayakorn Vongkulbhisal
Filip Šroubek Ali Thabet Toshikazu Wada
Ioannis Stamos Spiros Thermos Chengde Wan
Jan Stuehmer Shangxuan Tian Jun Wan
Jingyong Su Yingli Tian Renjie Wan
 Organization xv

Baoyuan Wang Ping Wei Jun Xu

Chaohui Wang Shih-En Wei Ning Xu
Chaoyang Wang Wei Wei Tao Xu
Chunyu Wang Xiu-Shen Wei Weipeng Xu
De Wang Zijun Wei Xiangmin Xu
Dong Wang Bihan Wen Xiangyu Xu
Fang Wang Longyin Wen Yong Xu
Faqiang Wang Xinshuo Weng Yuanlu Xu
Hongsong Wang Tom Whelan Jia Xue
Hongxing Wang Patrick Wieschollek Xiangyang Xue
Hua Wang Maggie Wigness Toshihiko Yamasaki
Jialei Wang Jerome Williams Junchi Yan
Jianyu Wang Kwan-Yee Wong Luxin Yan
Jinglu Wang Chao-Yuan Wu Wang Yan
Jinqiao Wang Chunpeng Wu Keiji Yanai
Keze Wang Dijia Wu Bin Yang
Le Wang Jiajun Wu Chih-Yuan Yang
Lei Wang Jianxin Wu Dong Yang
Lezi Wang Xiao Wu Herb Yang
Lijun Wang Xiaohe Wu Jianwei Yang
Limin Wang Xiaomeng Wu Jie Yang
Linwei Wang Xinxiao Wu Jin-feng Yang
Pichao Wang Yi Wu Jufeng Yang
Qi Wang Ying Nian Wu Meng Yang
Qian Wang Yue Wu Ming Yang
Qilong Wang Zheng Wu Ming-Hsuan Yang
Qing Wang Zhirong Wu Tien-Ju Yang
Ruiping Wang Jonas Wulff Wei Yang
Shangfei Wang Yin Xia Wenhan Yang
Shuhui Wang Yongqin Xian Yanchao Yang
Song Wang Yu Xiang Yingzhen Yang
Tao Wang Fanyi Xiao Yongxin Yang
Tsun-Hsuang Wang Yang Xiao Zhenheng Yang
Weiyue Wang Dan Xie Angela Yao
Wenguan Wang Jianwen Xie Bangpeng Yao
Xiaoyu Wang Jin Xie Cong Yao
Xinchao Wang Fuyong Xing Jian Yao
Xinggang Wang Jun Xing Jiawen Yao
Yang Wang Junliang Xing Yasushi Yagi
Yin Wang Xuehan Xiong Mang Ye
Yu-Chiang Frank Wang Yuanjun Xiong Mao Ye
Yufei Wang Changsheng Xu Qixiang Ye
Yunhong Wang Chenliang Xu Mei-Chen Yeh
Zhangyang Wang Haotian Xu Sai-Kit Yeung
Zilei Wang Huazhe Xu Kwang Moo Yi
Jan Dirk Wegner Huijuan Xu Alper Yilmaz
xvi Organization

Xi Yin Jiawei Zhang Yinqiang Zheng

Zhaozheng Yin Jing Zhang Yuanjie Zheng
Xianghua Ying Kaipeng Zhang Zhonglong Zheng
Ryo Yonetani Ke Zhang Guangyu Zhong
Donghyun Yoo Liang Zhang Huiyu Zhou
Jae Shin Yoon Linguang Zhang Jiahuan Zhou
Ryota Yoshihashi Liqing Zhang Jun Zhou
Gang Yu Peng Zhang Luping Zhou
Hongkai Yu Pingping Zhang Mo Zhou
Ruichi Yu Quanshi Zhang Pan Zhou
Shiqi Yu Runze Zhang Yang Zhou
Xiang Yu Shanghang Zhang Zihan Zhou
Yang Yu Shu Zhang Fan Zhu
Youngjae Yu Tianzhu Zhang Guangming Zhu
Chunfeng Yuan Tong Zhang Hao Zhu
Jing Yuan Wen Zhang Hongyuan Zhu
Junsong Yuan Xiaofan Zhang Lei Zhu
Shanxin Yuan Xiaoqin Zhang Menglong Zhu
Zejian Yuan Xikang Zhang Pengfei Zhu
Xenophon Zabulis Xu Zhang Shizhan Zhu
Mihai Zanfir Ya Zhang Siyu Zhu
Pablo Zegers Yinda Zhang Xiangxin Zhu
Jiabei Zeng Yongqiang Zhang Yi Zhu
Kuo-Hao Zeng Zhang Zhang Yizhe Zhu
Baochang Zhang Zhen Zhang Yuke Zhu
Cha Zhang Zhoutong Zhang Zhigang Zhu
Chao Zhang Ziyu Zhang Bohan Zhuang
Dingwen Zhang Bin Zhao Liansheng Zhuang
Dong Zhang Bo Zhao Karel Zimmermann
Guofeng Zhang Chen Zhao Maria Zontak
Hanwang Zhang Hengshuang Zhao Danping Zou
He Zhang Qijun Zhao Qi Zou
Hong Zhang Rui Zhao Wangmeng Zuo
Honggang Zhang Heliang Zheng Xinxin Zuo
Hua Zhang Shuai Zheng
Jian Zhang Stephan Zheng
 Contents – Part II

Poster Session P1

Embedded Polarizing Filters to Separate Diffuse and Specular Reflection . . . . 3

Laurent Valentin Jospin, Gilles Baechler, and Adam Scholefield

SCPNet: Spatial-Channel Parallelism Network for Joint Holistic

and Partial Person Re-identification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Xing Fan, Hao Luo, Xuan Zhang, Lingxiao He, Chi Zhang,
and Wei Jiang

GhostVLAD for Set-Based Face Recognition . . . . . . . . . . . . . . . . . . . . . . . 35

Yujie Zhong, Relja Arandjelović, and Andrew Zisserman

Learning Image-to-Image Translation Using Paired and Unpaired

Training Samples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Soumya Tripathy, Juho Kannala, and Esa Rahtu

BitNet: Learning-Based Bit-Depth Expansion . . . . . . . . . . . . . . . . . . . . . . . 67

Junyoung Byun, Kyujin Shim, and Changick Kim

Attributes Consistent Faces Generation Under Arbitrary Poses . . . . . . . . . . . 83

Fengyi Song, Jinhui Tang, Ming Yang, Weiling Cai, and Wanqi Yang

Cooperative Adversarial Network for Accurate Super Resolution . . . . . . . . . 98

Zhong-Qiu Zhao, Jian Hu, Weidong Tian, and Ning Ling

Cross-Spectral Image Patch Matching by Learning Features of the Spatially

Connected Patches in a Shared Space . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Dou Quan, Shuai Fang, Xuefeng Liang, Shuang Wang, and Licheng Jiao

Semantic Segmentation Refinement by Monte Carlo Region Growing

of High Confidence Detections . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
Philipe Ambrozio Dias and Henry Medeiros

A Deep Blind Image Quality Assessment with Visual Importance

Based Patch Score. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
Zhengyi Lv, Xiaochuan Wang, Kai Wang, and Xiaohui Liang

Robust Video Background Identification by Dominant Rigid

Motion Estimation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
Kaimo Lin, Nianjuan Jiang, Loong Fah Cheong, Jiangbo Lu,
and Xun Xu
xviii Contents – Part II

SMC: Single-Stage Multi-location Convolutional Network for Temporal

Action Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
Zhikang Liu, Zilei Wang, Yan Zhao, and Ye Tian

SAFE: Scale Aware Feature Encoder for Scene Text Recognition . . . . . . . . . 196
Wei Liu, Chaofeng Chen, and Kwan-Yee K. Wong

Neural Abstract Style Transfer for Chinese Traditional Painting . . . . . . . . . . 212

Bo Li, Caiming Xiong, Tianfu Wu, Yu Zhou, Lun Zhang, and Rufeng Chu

Detector-in-Detector: Multi-level Analysis for Human-Parts . . . . . . . . . . . . . 228

Xiaojie Li, Lu Yang, Qing Song, and Fuqiang Zhou

Aligning Salient Objects to Queries: A Multi-modal and Multi-object Image

Retrieval Framework . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
Sounak Dey, Anjan Dutta, Suman K. Ghosh, Ernest Valveny,
Josep Lladós, and Umapada Pal

Fast Light Field Disparity Estimation via a Parallel Filtered Cost

Volume Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256
Adam Stacey, Will Maddern, and Surya Singh

Perceptual Conditional Generative Adversarial Networks for End-to-End

Image Colourization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
Shirsendu Sukanta Halder, Kanjar De, and Partha Pratim Roy

Self-Referenced Deep Learning. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 284

Xu Lan, Xiatian Zhu, and Shaogang Gong

Hybrid Diffusion: Spectral-Temporal Graph Filtering for Manifold Ranking . . . 301

Ahmet Iscen, Yannis Avrithis, Giorgos Tolias, Teddy Furon,
and Ondřej Chum

Learning Free-Form Deformations for 3D Object Reconstruction . . . . . . . . . 317

Dominic Jack, Jhony K. Pontes, Sridha Sridharan, Clinton Fookes,
Sareh Shirazi, Frederic Maire, and Anders Eriksson

CalliGAN: Unpaired Mutli-chirography Chinese Calligraphy

Image Translation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 334
Yiming Gao and Jiangqin Wu

End-to-End Detection and Re-identification Integrated Net

for Person Search . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 349
Zhenwei He and Lei Zhang

A CNN-Based Depth Estimation Approach with Multi-scale Sub-pixel

Convolutions and a Smoothness Constraint . . . . . . . . . . . . . . . . . . . . . . . . 365
Shiyu Zhao, Lin Zhang, Ying Shen, and Yongning Zhu
 Contents – Part II xix

Ranking Loss: A Novel Metric Learning Method for Person

Re-identification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 381
Min Cao, Chen Chen, Xiyuan Hu, and Silong Peng

Unsupervised Transformation Network Based on GANs for Target-Domain

Oriented Multi-domain Image Translation . . . . . . . . . . . . . . . . . . . . . . . . . 398
Hongwei Ge, Yao Yao, Zheng Chen, and Liang Sun

A Trainable Multiplication Layer for Auto-correlation

and Co-occurrence Extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 414
Hideaki Hayashi and Seiichi Uchida

Cross-View Action Recognition Using View-Invariant Pose Feature

Learned from Synthetic Data with Domain Adaptation. . . . . . . . . . . . . . . . . 431
Yu-Huan Yang, An-Sheng Liu, Yu-Hung Liu, Tso-Hsin Yeh,
Zi-Jun Li, and Li-Chen Fu

ImaGAN: Unsupervised Training of Conditional Joint CycleGAN

for Transferring Style with Core Structures in Content Preserved . . . . . . . . . 447
Kang Min Bae, Minuk Ma, Hyunjun Jang, Minjeong Ju,
Hyoungwoo Park, and Chang D. Yoo

Stochastic Normalizations as Bayesian Learning . . . . . . . . . . . . . . . . . . . . . 463

Alexander Shekhovtsov and Boris Flach

Contextual Object Detection with a Few Relevant Neighbors . . . . . . . . . . . . 480

Ehud Barnea and Ohad Ben-Shahar

Album to Family Tree: A Graph Based Method for Family

Relationship Recognition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 496
Chao Xia, Siyu Xia, Ming Shao, and Yun Fu

Robust Multimodal Image Registration Using Deep Recurrent

Reinforcement Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 511
Shanhui Sun, Jing Hu, Mingqing Yao, Jinrong Hu, Xiaodong Yang,
Qi Song, and Xi Wu

Image Super-Resolution Using Knowledge Distillation. . . . . . . . . . . . . . . . . 527

Qinquan Gao, Yan Zhao, Gen Li, and Tong Tong

Visual-Linguistic Methods for Receipt Field Recognition . . . . . . . . . . . . . . . 542

Rinon Gal, Nimrod Morag, and Roy Shilkrot

Cascaded Pyramid Mining Network for Weakly Supervised Temporal

Action Localization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 558
Haisheng Su, Xu Zhao, and Tianwei Lin
xx Contents – Part II

Coarse-to-Fine: A RNN-Based Hierarchical Attention Model

for Vehicle Re-identification. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 575
Xiu-Shen Wei, Chen-Lin Zhang, Lingqiao Liu, Chunhua Shen,
and Jianxin Wu

Oral Session O2: Object Tracking and Segmentation

FuCoLoT – A Fully-Correlational Long-Term Tracker. . . . . . . . . . . . . . . . . 595

Alan Lukežič, Luka Čehovin Zajc, Tomáš Vojíř, Jiří Matas,
and Matej Kristan

Customized Multi-person Tracker . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 612

Liqian Ma, Siyu Tang, Michael J. Black, and Luc Van Gool

Long-Term Visual Object Tracking Benchmark . . . . . . . . . . . . . . . . . . . . . 629

Abhinav Moudgil and Vineet Gandhi

Learning Rotation Adaptive Correlation Filters in Robust Visual

Object Tracking . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 646
Litu Rout, Priya Mariam Raju, Deepak Mishra,
and Rama Krishna Sai Subrahmanyam Gorthi

Let’s Take a Walk on Superpixels Graphs: Deformable Linear Objects

Segmentation and Model Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 662
Daniele De Gregorio, Gianluca Palli, and Luigi Di Stefano

AttentionMask: Attentive, Efficient Object Proposal Generation

Focusing on Small Objects . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 678
Christian Wilms and Simone Frintrop

Semantic Bottleneck for Computer Vision Tasks . . . . . . . . . . . . . . . . . . . . . 695

Maxime Bucher, Stéphane Herbin, and Frédéric Jurie

Author Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 713

Poster Session P1
 Embedded Polarizing Filters to Separate
Diffuse and Specular Reflection

Laurent Valentin Jospin , Gilles Baechler(B) , and Adam Scholefield

School of Computer and Communication Sciences, Audiovisual Communications

Laboratory, Ecole Polytechnique Fédérale de Lausanne, Lausanne, Switzerland
laurent.jospin@alumni.epfl.ch, gilles.baechler@gmail.com

Abstract. Polarizing filters provide a powerful way to separate diffuse

and specular reflection; however, traditional methods rely on several cap-
tures and require proper alignment of the filters. Recently, camera man-
ufacturers have proposed to embed polarizing micro-filters in front of
the sensor, creating a mosaic of pixels with different polarizations. In
this paper, we investigate the advantages of such camera designs. In par-
ticular, we consider different design patterns for the filter arrays and
propose an algorithm to demosaic an image generated by such cameras.
This essentially allows us to separate the diffuse and specular components
using a single image. The performance of our algorithm is compared with
a color-based method using synthetic and real data. Finally, we demon-
strate how we can recover the normals of a scene using the diffuse images
estimated by our method.

Keywords: Polarizing micro-filter · Diffuse and specular separation ·

Photometric stereo

1 Introduction
The light reflected from a scene can be broadly classified into diffuse and specular
terms. While the diffuse term is slowly varying for different pairs of viewing and
lighting angles, specularities take the form of strong highlights that can vary
quickly as either angle changes. Separating these two components is useful in
many different imaging applications. For example, photometric stereo [1] esti-
mates surface normals from images taken under different illuminations; however,
like many algorithms, the process assumes that the scene is Lambertian, i.e the
reflection is purely diffuse.
As a second example, consider the problem of estimating spatially-varying
bidirectional reflectance distribution functions (SVBRDFs). The knowledge of
the complete SVBRDF enables the reproduction of objects from any viewing
direction and under variable lighting conditions. Typically, one fits a paramet-
ric model to samples obtained by capturing images with different viewing and
lighting directions. Although for very simple materials the specular and diffuse
components of the model can be fit from only the shape of the SVBRDF, often
c Springer Nature Switzerland AG 2019
C. V. Jawahar et al. (Eds.): ACCV 2018, LNCS 11362, pp. 3–18, 2019.
https://doi.org/10.1007/978-3-030-20890-5_1
4 L. V. Jospin et al.

this process can be done much more accurately if the two components are sepa-
rated prior to model fitting. Other applications that benefit from this separation
include tracking, object recognition and image segmentation.

1.1 Related Work

There are a number of approaches to perform this separation, using either a
single or multiple images [2]. Most single-image approaches are color-based: this
process was pioneered by Shafer [3], with the so-called dichromatic reflection
model. A key observation is that, for dielectrics, the spectrum of the specular-
ity is similar to the spectrum of the light source, whereas the diffuse spectrum
also encompasses information about the color of the surface: this results in a
T-shaped space [4] whose limbs represent the diffuse and specular components
in the dichromatic reflection model. Approaches based on this model [5,6] assume
that the scene has been segmented into different parts with a uniform diffuse dis-
tribution, which make them unpractical for highly textured scenes. More recent
work alleviates the need for segmentation by integrating spatio-temporal infor-
mation [7]. Similar approaches with different color spaces such as HSI [8], rotated
RGB [9], or custom spaces [10–12] have also been proposed. As well as color-
based techniques, the so-called neighborhood analysis methods [13–15] leverage
the information from neighboring pixels to infer the reflective component at a
given point.
Multi-image approaches use strategies as varied as structured illumina-
tion [16–18], different viewing angles [19,20], or light-field imaging [21,22].
Another multiple image approach makes use of polarizing filters. With a sin-
gle filter in front of the lens, Nayar et al. [23] recast the separation problem as
a linear system using multiple captures under different polarizations. Building
on their work, a number of methods propose to combine color information with
polarizing filters to separate the reflective components [17,24–26].
Ma et al. [17] and Debevec et al. [27] suggest the use of filters both in front
of the camera and the light sources, which leads to a slightly different model for
the recorded intensity.
Recently, cameras have been proposed with an array of polarizing micro-
filters placed just in front of the image sensor [28–31]. Analogously to a Bayer
filter, the micro-filter of each pixel is oriented in one of a finite number of possible
directions (see Fig. 1). Potentially, this can enable the separation of the diffuse
and specular components from a single image with the accuracy and robustness
of multi-image polarization methods.

1.2 Proposed Approach

In this paper, we investigate the feasibility of using these types of cameras for
the separation of specularities by proposing an algorithm to demosaic images
generated with polarizing micro-filter arrays. As well as regular patterns, we
also study random arrangements with varying numbers of orientations and show
that these arrangements offer advantages over regular patterns.
 Embedded Polarizing Filters to Separate Diffuse and Specular Reflection 5

Fig. 1. Illustration of the concept of a filter array with different polarization orienta-
tions. The micro-filters are represented with disks and the arrow indicates the direction
of polarization.

In addition to demosaicing, we demonstrate the usefulness of micro-filter

arrays for photometric stereo. Using a light dome with several light sources hav-
ing different polarizing orientations, we show that the separation of the diffuse
and specular components using our design can significantly improve the esti-
mation of the surface normals of objects. This approach is essentially the dual
of [32], where a camera with micro-polarizers is combined with a multi-view
approach to infer the shape of objects.
The code and data required to reproduce all the results presented in this
paper will be made available online with the camera-ready version.

2 Problem Statement

Polarization is a physical property of light that characterizes the orientation of

electromagnetic transverse waves in space. A wave is said to be polarized when
its orientation follows a regular pattern in space: for example, when the wave
oscillates in a fixed direction it is called linearly polarized. In contrast, unpo-
larized light is composed of a mixture of electromagnetic waves with different
orientations. A linear polarizing filter (or polarizer) is a physical device that
only lets through light with a given polarization. Given a light wave polarized in
direction φ with initial intensity I0 , the polarizing filter will project it onto its
orientation θ. This is summarized by Malus’ law, which quantifies the light inten-
sity I after it goes through the filter: I = I0 cos2 (φ − θ). Unpolarized light can
be thought of as containing all orientations equally, hence the resulting intensity
is simply I0 /2, which is the mean value of I0 cos2 (φ − θ) over all orientations.
Polarization is of interest here because the diffuse and specular reflections
affect polarization differently. Specular reflections are caused by direct reflection
of the incoming light at an object’s surface. Therefore, this type of reflection pre-
serves the polarization of the incoming light. Diffusion is slightly more complex.
The diffusion created by the surface reflections can be thought of as the combi-
nation of several specular reflections in all orientations due to the rough nature
6 L. V. Jospin et al.

of most materials at the microscopic level. The polarization of the light reflected
by this microfacet model is not preserved. On the other hand, some of the light
is also scattered inside the medium; the polarization of such light is retained.
We can leverage this observation to separate diffuse and specular reflection. In
fact, we separate polarized and unpolarized light, which we can associate to the
specular and diffuse components as long as the subsurface scattering is relatively
weak.
In particular, suppose we have a scene illuminated by a single light source
polarized with an angle φ; this can be achieved by placing a linear polarizer
in front of it. For now, assume that φ is known; later, we show that this is
unnecessary as it can be easily estimated. Furthermore, suppose we have a digital
camera with a filter array of linear polarizers with K different orientations in
front of its sensor. We describe the image formation process as follows. Let
Xk ∈ RN ×N , k = 1, 2, ..., K, be a collection of K images, each filtered with a
distinct orientation θk . From Malus’ law, we can express each individual image
as the sum of a constant diffuse term and a specular term that is modulated
according to the polarization of the filters:
1
Xk = Zd + Zs cos2 (φ − θk ), (1)
2
where Zd and Zs are the diffuse and specular components, respectively. Equiv-
alently, we can rewrite (1) by flattening Xk into a vector xk = vec(Xk )1 :

1  zd
xk = 2 I cos (φ − θk )I
2
. (2)
   zs
Ck

2 2 2 2
Here, zd = vec(Zd ) ∈ RN , zs = vec(Zs ) ∈ RN and Ck ∈ RN ×2N is the matrix
that modulates the specularity with the correct attenuation and combines the
diffuse and specular terms.
To model a camera with a micro-array of polarizing filters, we need to select
only one polarization orientation for each pixel. To model this, let yk = Ak xk ,
2 2
where Ak ∈ RN ×N is a mask that zeroes the measurements that we do not
have access to; it has the form of a diagonal matrix with a 1 where the pixel
is selected and a 0 otherwise. Note that, since we have one polarizing filter per
K
pixel, k=1 Ak = I. At this stage, we make no assumption about the filter ori-
entations: they can be regularly or irregularly structured over the array. Finally,
the measured image is given by
K 
z
y= yk = AC d , (3)
zs
k=1

1
Note that we use bold uppercase letters for matrix notation and the same letter in
lowercase for its flattened version. Throughout this chapter, we interchangeably use
both notations to denote the same object.
 Embedded Polarizing Filters to Separate Diffuse and Specular Reflection 7

where
2
×KN 2
A = [A1 , A2 , . . . , AK ] ∈ RN ,
 KN 2 ×2N 2
C = [C1 , C2 , . . . , CK ] ∈ R .

Using this formulation, our aim is to estimate zd and zs given the measure-
ments y and the downsampling matrix S = AC. To simplify notation we write
the “superimage” with both diffuse and specular components as z = [zd , zs ] .

3 Algorithms

We propose a general approach to separate the diffuse and specular components.

Finding both components using only a single image is an under-constrained
problem, which we propose to regularize using the TV norm:
2
ẑ = arg min y − Sz2 + T (z), (4)
x

where T (z) = γd Zd T V + γs Zs T V is the regularization term. Here γd , γs

are regularization parameters and  · T V is the total variation (TV) norm2 .
Typically, the TV norm is defined as the 1 norm of the first order differential
operator, although some authors also consider the 2 norm of the same differen-
tial operator. A compromise between the two approaches is the Huber norm or
Huber loss, defined as L(z) = L(xi ), where

2x for |x| < 1

1 2
L(x) = (5)
|x| − 1
2 otherwise.

We show below how to solve (4) with these different variations of the TV
norm. The advantage of the 1 approach is that, since it favors solutions that
have a sparse first order derivative, it maintains edges in the image. In contrast,
the 2 approach can blur edges but performs well on other parts of the image.
The 2 formulation can also lead to faster algorithms.

3.1 Minimizing the 2 TV Norm

Although general optimization packages can be used to solve (4), the sam-
pling matrix S is very large and therefore these techniques are limited to rela-
tively small-sized images. In order to overcome this, we observe that (4) can be
expressed as a sparse linear system. To see this, note that T (·), in the case of
the 2 TV norm, can be written as

T (z) = z D WDz, (6)

2
Technically, the TV norm is only a semi-norm.
8 L. V. Jospin et al.

where D is the 2D discrete differential operator matrix and W encapsulates

the effect of γd and γs . Finally, setting the derivative of (4) to zero yields the
following sparse linear system:
(S S + D WD)ẑ = S y. (7)
 
Although this system is very large, the matrix S S + D WD is sparse, sym-
metric and positive definite, and thus can be efficiently solved using approaches
such as the conjugate gradient method. This leads to an algorithm that has
linear complexity in the number of pixels.

3.2 Minimizing the 1 TV Norm

Unfortunately, unlike the 2 case, we cannot find a closed form solution with the
1 norm. Instead, we propose to use the split Bregmann method [33] to solve (4)
iteratively. In particular, (4) can be written as
 
2 dd z
ẑ = arg min y − Sz2 + γd dd 1 + γs ds 1 s.t. =D d , (8)
z,d ds zs
so that each step of the Bregmann iteration algorithm consists of solving
2 2
(zk+1 , dk+1 ) = arg min y − Sz2 + γd dd 1 + γs ds 1 + λ d − Dz − bk 2
,
z,d
(9)
where bk+1 = bk + (Dzk+1 − dk+1 ). To solve (9), we can alternate between
minimizing over z and d:
2 2
zk+1 = arg min y − Sz2 + λ dk − Dz − bk 2
, (10)
z
2
dk+1 = arg min γd dd 1 + γs ds 1 + λ d − Dzk+1 − bk 2
. (11)
d

The main advantage of this approach is that (11) is now decoupled over space,
and thus has a closed form solution. Additionally, (10) is now an 2 minimization,
which again has a closed form solution. In practice, only a few iterations of the
split Bregmann algorithm are needed to converge so the method is acceptably
fast and has linear complexity in the number of pixels in the image.

3.3 Minimizing the Huber TV Norm

When using the Huber norm regularization, the minimization problem (4)
becomes
2
ẑ = arg min y − Sz2 + γd L (Ds zd ) + γs L (Ds zs ) . (12)
z,d

Setting the derivative to 0, we obtain

2S Sz − 2S y + γd Dd  L (Ds zd ) + γs Ds  L (Ds zs ) = 0. (13)
As L(z) is twice differentiable, (13) is easy to solve using, for example, Newton’s
method. To initialize the iteration, we propose to use the solution of the 2 TV
norm.
 Embedded Polarizing Filters to Separate Diffuse and Specular Reflection 9

3.4 Unknown Light Polarization

In the above description, we assumed that the polarization angle φ of the incom-
ing light was known. Although it can be directly measured in controlled experi-
ments, this is not necessary since it can be accurately estimated using the follow-
ing procedure. First, for each image zk , we estimate its mean from the available
pixels:
N2 N2
μk = [yk ]n / [Ak ]nn . (14)
n=1 n=1

Using the linearity of the mean, we have

⎡ ⎤ ⎡ ⎤
μ1 cos(φ − θ1 )2
⎢ μ2 ⎥ ⎢ cos(φ − θ2 )2 ⎥
⎢ ⎥ ⎢ ⎥
⎢ .. ⎥ = μd + ⎢ .. ⎥ μs , (15)
⎣ . ⎦ ⎣ . ⎦
μK cos(φ − θK ) 2

where μd and μs are the mean values of zd and zs . For K > 3, this set of
non-linear equations is overdetermined, and finding φ, μd and μs corresponds to
solving the following minimization problem:
⎡ ⎤
φ̂ K
 2
⎣μ̂d ⎦ = arg min μk − μd − μs cos(φ − θk )2 . (16)
μ̂s φ,μd ,μs
k=1

4 Practical Considerations
Before evaluating and comparing our proposed approach to existing methods,
we discuss below a few algorithmic and design choices.

4.1 One-Step vs. Two-Step Algorithm

Our proposed algorithm separates the components and interpolates the images in
a single step. One might wonder how much we gain by performing this estimation
in a single step as opposed to a two-stage approach where we first demosaic every
individual image Xk and then fit a cosine to the interpolated images to identify
the specular and diffuse components.
Figure 2 shows a comparison between our direct reconstruction algorithm and
the two-stage approach. Here, the same 2 TV norm regularization is used for
both the direct approach and the interpolation step of the two-stage approach.
Even though the two approaches are close in performance when the number
of orientations is 4, the two-stage approach performance clearly worsens when
the number of orientations increases. Also, the two-stage approach peaks at 39.7
dB, whereas the direct reconstruction continues to increase to 40.95 dB. While
the observed performance gain is not huge, it is significant for many applications.
The versatility of our algorithm over the two-stage approach is also an advantage
10 L. V. Jospin et al.

Fig. 2. Influence of the number of orientations with a random filter design: comparison
of our proposed algorithm, which performs the separation in one shot, with a two
stage approach, which first interpolates the different channels and then extracts the
specularity by fitting a cosine. Both methods use the 2 TV-norm as regularizer.

when investigating different filter design patterns. In this regard, we observe that
the direct reconstruction saturates at around 8–10 orientations, suggesting that
existing camera designs based on 4 orientations are not optimal. In the rest of
this paper, we exclusively use the single-step approach.

4.2 Comparison of the Different Regularizers

As stated earlier, the TV norm is typically defined in terms of the 1 norm, which
leads to sharper edges, while the 2 norm formulation is faster and can perform
better on certain regions of the image. Finally, the Huber norm provides a tradeoff
between the 1 and 2 variants. To quantify these differences, we ran a comparison
of the results obtained with the three proposed norms. The results are given for
one image in Fig. 4. As we can see, there is not much difference in terms of PSNR,
particularly between the 2 and Huber norm regularization. We also observe that
the 1 regularized image is a bit sharper but also slightly noisier. In terms of per-
formance, the 2 and Huber norm algorithms are 5.7x and 3.3x faster than the 1
algorithm, respectively. Based on these observations and computational speed, we
choose to favor the 2 norm for the rest of the experiments.

4.3 Filter Design Patterns and Number of Orientations

There are a number of ways to design the micro-filter array, including (pseudo)
random patterns and regular grids. Examples of images acquired with these
designs are depicted in Fig. 3c and d. To obtain these images, we use Blender
with the raytracing engine Cycles [34] and create ground truth diffuse and spec-
ular images from different render passes. We then simulate the effect of the filters
by appropriately weighting and mixing the diffuse and specular components. The
corresponding estimated diffuse components are shown in Fig. 3e and f. Addi-
tionally, in Fig. 5, we compare the average performance of these two designs for a
selection of synthetic images. Overall, we observe that the filter design does not
Another random document with
no related content on Scribd:
 Ja se päivä, joka nyt koitti, oli taaskin sunnuntai. Heittäisimme
viikon vaivat ja tämänkin yön tuskat taaksemme ja pukeutuisimme
sunnuntaivaatteisiin ja sunnuntaimieleen. Mene, poikaseni,
nukkumaan ja nuku syvää, virkistävää untasi! Kun myöhään aamulla
heräät, ovat käytävät haravoidut sunnuntaikuntoonsa, ja koivujen
ritvat leyhyvät juhlamieltä. Isällä on orvokki napinlävessä ja Kirstillä
on uudenuutukaiset kengät jalassa. Ja mummo kamarinsa ikkunassa
lukee päivän evankeliumia.

Ja maassa on rauha ja ihmisillä hyvä tahto.

29.

Mutta eipä ulkona maailmalla vallinnutkaan rauha eikä ihmisten

kesken hyvä tahto. Siellä riehui suuri sota. Se oli tärisyttänyt
valtakuntien perustuksia jo parin vuoden ajan. Suoranaisesti se ei
vielä ollut koskettanut Suomea, mutta tietysti sitä täällä seurattiin
suurella jännityksellä. Siitä puhuttiin Koivulassa joka päivä
sanomalehtien saapuessa, ja hartaasti toivottiin sen pian loppuvan.

Mutta se vaan yltyi. Se heitti hyrskynsä yhä uhkaavammin

Suomenkin rannoille.

Jo aikoja sitten oli meidänkin paikkakunnallemme ilmestynyt

venäläistä sotaväkeä, joka alkoi metsää kaataa, sotateitä rakentaa
pitkin aukeamia, vallihautoja kaivaa ja piikkilanka-aitoja vetää
rauhallisten ihmisten alueille. Kauhulla me näimme heidän
tuhotöitään ja kuulimme hävitettyjen kotien valituksia. Ei enää tehnyt
mieli metsissä kuljeskella, sillä villiintyneitä miehiä vetelehti
kaikkialla. Eikä voinut edes ihmisiä vapaasti puhutella, kuten ennen,
sillä vieraat kylvivät myrkkyä tietämättömien ihmisten mieliin, ja
nämä katkeroituivat ja rupesivat hautomaan mielettömiä
kumoushoureita. Oli tuskallista nähdä vierasrotuisia sotureita
herroina maassamme ja omat miehemme aseettomina. Kuohutti
mieltä ajatellessa, että he esteettä saivat vehkeillä kansalaistemme
keskuudessa, sairaalloisilla haaveillansa vieden heidät surkeasti
harhaan. Mielet sen kautta pimenivät. Kun kuusien juuret alkoivat
kuivua viheliäisten, tiheänä verkkona yli viljelysmaiden risteilevien
vallihautojen reunamilla, niin samalla alkoi läpi aikojen periytyneiden,
kunnioitettujen katsantokantojen pyhyys horjua laajoissa
kansankerroksissa.

Yleinen levottomuus ja uhkaavan maailmanonnettomuuden pelko

täytti yhä enemmän mielet.

Sinä kesänä, jolloin sinä, Yrjö, tulit ylioppilaaksi, painui tuo vieras
leima yli koko paikkakuntamme ja teki sen vielä entistään
rauhattomammaksi. Aukeamalle aseman toiselle puolelle pystytettiin
nimittäin suuri venäläinen majoitusleiri, jonka upseerit kulkivat ympäri
paikkakuntaa hakien sekä itselleen että kanslioilleen huoneistoa
asukkaiden huviloista. Silloin vilisi valkotakkisia ja pitkäsaappaisia
kaikilla teillä ja kuului vieraan kielen sorinaa. Illoin kaikui leirillä
hanurin ääni. Muistatko, Yrjö, haikeamielisiä tanssisävelmiä ja
alakuloisia venäläisiä kansanlauluja, jotka selvästi soivat
huvilallemme asti?

Ja sitten eräänä päivänä — —

Isä oli lähtenyt aamujunalla kaupunkiin. Äiti oli juuri pitänyt

suursiivousta, pesettänyt salin maalaamattoman lattian ja
pingoittanut sen yli viheriäkuvioiset liinamatot. Ovet olivat auki
toisesta verannasta toiselle puutarhaan, ja kesäinen tuulenhenki
leyhytteli ikkunoitten uutimia. Oli valoisaa, avaraa ja kotoista.

Äiti oli juuri ollut salin ikkunaa sulkemassa, kun verannalta ilmestyi
eteiseen neljä — viisi — seitsemän miestä — venäläisiin
upseerinpukuihin puettuna. He astuivat suoraa päätä saliin,
kursailematta tallaten saappaillaan hänen puhdasta lattiaansa ja
vaaleita mattojansa. He katselivat ilman muuta ympärillensä,
kurkistelivat keltaiseen nurkkakammioon, astuivat häikäilemättä
ruokahuoneeseen, kuin olisivat olleet kotonaan, loivat silmäyksen
tarjoiluhuoneeseen ja portaille, jotka sieltä veivät yläkertaan — ja
arvelivat, että tämä talo sopisi erinomaisesti heille. He tarvitsivat
kansliaa — ja koska eivät olleet löytäneet mitään muuta sopivaa, niin
—!

Meidänkö kotimme venäläisten kansliaksi!

Tosin kuultiin sellaisesta ympäri maan. He ottivat kartanoita, taloja,

huviloita haltuunsa, antaen niiden omistajien harhailla muitten
nurkissa. Ja minkälaisessa kunnossa ne sitten saatiin joskus
takaisin! Hyvä, jos seinähirret, lattiapalkit ja katto enää olivat
ennallaan. Kaikki oli korjattava, puhdistettava, sisustettava
uudestaan. Puut ja pensaatkin talon ympärillä raiskattiin ja koko
paikka hävitettiin.

Olit kuullut siitä puhuttavan, että paikkakunnalla majailevan

sotilasosaston upseerit hakivat itsellensä ja joukollensa
virkahuoneistoa, ja kun yläkertaan kuulit vieraita miesääniä alhaalta,
iski sinuun aavistus ja hyökkäsit portaita alas. Ilmestyit salin ovelle
juuri äidin astuessa ikkunansyvennyksestä esille, hiukan
punoittavana tosin, mutta kylmänä muuten kuin jääpala:
 — Tahdon huomauttaa herroille, että tämä on kotimme, eikä se ole
saatavissa mistään hinnasta.

Herrat upseerit katsoivat häneen yli olkansa ja arvelivat, että heillä

kyllä olisi keinonsa.

Mutta äiti vakuutti heille, että myöskin meillä oli keinomme estää,
ja ne keinot tepsisivät. Herrojen oli siis turha meidän kotiamme
tarkastaa, me emme sitä luovuttaisi, eikä heillä ollut oikeutta ottaa
sitä väkisin.

Sinä riensit äidin avuksi, pannen koko koulussa saamasi

venäjänkielentaidon liikkeelle saadaksesi sinäkin heidät
vakuutetuiksi toiveittensa turhuudesta. Mutta he vain murisivat
jotakin toisillensa, uhkasivat tuoda asiapaperinsa seuraavana
päivänä ja ottavansa talomme käytettäväkseen jonkun viikon
perästä. Itse saisimme asua parissa kolmessa huoneessa
yläkerroksessa.

Mutta äiti katsahti salavihkaa heidän jalkojensa jälkiä puhtailla

matoillansa ja toisti:

— Me emme päästä vieraita asustamaan näihin huoneisiimme!

Vakuutan teille, älkää vaivatko itseänne turhaan. Kotiamme ette saa.

Herrat vetäytyivät korskeina pois, luvaten vielä kerran palata,

mutta heidän varmuutensa oli horjunut. Ja vaikka äiti vielä miltei
vapisi mielenliikutuksesta, oli hän tullut siihen käsitykseen, että vaara
tällä kertaa oli torjuttu.

Kun isä palasi päiväjunalla, suuttui hän silmittömästi ja ryhtyi

varokeinoihin sen varalta, että he koettaisivat toteuttaa
uhkauksensa. Ketään ei kuitenkaan sitten kuulunut. Mutta
seurauksena oli, ettemme uskaltaneet matkustaa kotoa pois, sillä jos
talo olisi jäänyt tyhjäksi, olisivat venäläiset voineet tulla ottamaan sen
haltuunsa.

Onnettomat sodan uhrit, niin upseerit kuin sotamiehet, joita oli

lähetetty tänne kaukaa Venäjän jokilaaksoista tai Donin aroilta,
kuljetettiin, pari kolme viikkoa leirissä levähdettyään, eteenpäin
meren poikki suoraan sodan jalkoihin. Sotamiehet saivat siitä tietää
ainoastaan päivää ennen kuin se tapahtui, ja silloin koko leiri joutui
surun ja epätoivon valtaan. Itkien ja rukouksia lukien he lähettivät
viimeiset kirjeensä kotiseuduilleen, sen jälkeen ei tiennyt milloin niitä
sai lähettää, tahi saiko koskaan.

Silloin he myös ottivat ainoan jäljelle jääneen omaisuutensa, itse

tekemänsä rasian, pienen maalatun kirstunsa, vaimonsa antaman
kirjaillun liinan tai vaivalla säästetyn sokerikilon, ja kulkivat huvilalta
toiselle tuota tavaraansa kauppaamassa. — Muistatko tuon pienen
ruskean kirstun, jonka kannelle oli maalattu kukkia ja jonka sait minut
ostamaan tuolta nuorelta Kasanista kotoisin olevalta mieheltä? —
Huomenna oli mentävä, eikä saanut ottaa mitään mukaansa. Ja
mitäpä kannattikaan sinne ottaa surman suuhun? Ainoa lohdutus oli
jokunen rahapenni, jolla sitten myöhemmin saattoi ostaa itsellensä
edes vähän tupakkaa ampumahaudoissa kuolemaa odotellessa.

He vetistelivät ja pyyhkivät silmiään ja kertoivat vieraalla kielellään

käsittämättömiä asioita. Silloin kävi kaikkien sääli heitä, onnettoman
maan onnettomia poikia.

Mutta vaikka ihmisyyden kannalta heitä surkuttelimme, katselimme

koko tätä maamme vierasta sotilasvaltaa ehdottomasti
vihollismielisenä joukkueena. Toivoimme siitä vapautusta ja
tunsimme velvollisuudeksemme, oikean hetken tullen, nousta sitä ja
koko vanhaa sortoa vastaan. Ei vaan vielä tiedetty milloin ja miten se
tulisi mahdolliseksi. Pääasia vain oli, että Suomi tulisi vapaaksi.

Oli julkinen salaisuus, että pojillemme Saksassa opetettiin

sotataitoa ja että sinne sukelsi nuori mies toisensa jälkeen,
antautuen jos minkälaisiin seikkailuihin päästäkseen rajan yli. Sieltä
käsin valmistettiin maamme nousua sortovaltaa vastaan. Ja
useimmissa nuorissa paloi into kuin tuli ja leimaus. Toiset hautoivat
muita suunnitelmia, joista keskusteltiin hartaasti suljetuissa piireissä.

Paljon näistä meilläkin puhuttiin, ja sukulaisia oli niiden joukossa,

jotka olivat lähteneet rajan yli. Ja Suomen vapauteen uskottiin, jos
kohta mahdollisuutena, jonka pikaista toteutumista ei uskallettu
toivoakaan. Mutta se oli sittenkin ainaisena keskustelun aineena, jos
vieraita saapui, ja kun poikatoverisi tulivat sinua, Yrjö, tapaamaan,
ette paljon muusta puhuneetkaan enää viime aikoina.

Silloin ei vielä kukaan aavistanut, että meidän piti vieläkin

häpeällisemmän alennustilan ahdistuksesta ja vielä huutavamman
hädän kidasta ponnahtaa omin voimin ja palavin innostuksin kuin
ihmeen avulla isänmaamme haaveiltua vapautta valloittamaan.

30.

Olit polkupyörämatkalla.

Nyt ylioppilaaksi tultuasi olit halunnut nähdä uudestaan ne seudut,

jotka olivat sinulle lapsuudesta tutut, mutta joita olit ainoastaan
lapsen silmillä katsellut. Tietoisesti tahdoit niiden olemukseen
upottautua, päästäksesi selville siitä, mitä kotimaasi sinulle
oikeastaan merkitsi.

Varsinkin viime keskustelusi jälkeen äitisi kanssa olit ollut utelias

saamaan selville minkälainen sinun oma suhteesi kotimaahasi
todella oli.

Olit nyt tehnyt pitkän kiertomatkan, käynyt sukulaistaloissa ja

tuttavissa sekä Savossa että Karjalassa ja olit nähnyt kaikki Itä-
Suomen huomattavat nähtävyydet. Et ollut pitänyt kiirettä, vaan
antanut matkan sujua omia menojaan. Olit ajaa viilettänyt tuntikausia
asumattomia seutuja, seurannut polkua lehdon reunassa,
painautunut taas alemmille maille, kunnes olit puskenut mäkeä ylös
kanervaiseen hongikkoon. Ja missä illan tullen oli sattunut soma talo
vastaan ja lehmisavu noussut aidannurkkauksesta, sinne olit jäänyt
yöksi, aitan olkivuoteille nukahtaen tai ladon lemuavilla heinillä
hitaasti silmäsi ummistaen. Olit nauttinut tuoksusta, yön viileydestä
ja jäsentesi suloisesta raukeudesta.

Tämä oli kotimaasi. Kaikki oli sinulle täällä tuttua. Näköalat

harjanteilla ja purojen liritys maantien varrella levätessäsi.
Pikkukaupungitkin katuineen ja talonpoikaistalot kaivonvintteineen.
Mikään ei sinua hämmästyttänyt — eihän kotona mikään
hämmästytä — mutta tunsit ettet koskaan tätä maata vaihtaisi
mihinkään muuhun.

Se oli komea maa. Se oli ainutlaatuinen maa, jolla oli suuret

mahdollisuutensa ja suuri arvonsa. Ja siitä tulisi vielä parempi,
kunhan tässä ennätettäisiin askaroida hiukan enemmän ja kunhan
joskus saataisiin asiat niin pitkälle, että itse isännöitäisiin omassa
talossamme.
 Ajattelit tuota nykyistä nöyryytyksen aikaamme ajaessasi hitaasti
eteenpäin. Katselit vainioita ympärilläsi ja niittyjä kapean järvijuovan
toisella puolella. Täällä ei ollut merkkiäkään ampumahaudoista. Maa
oli siinä suhteessa aivan koskematonta. Täällä saattoi unohtaa
alennustilansakin, ja mitäpä hyödytti tällaisena päivänä sitä
muistaakaan? Et ollut ajatellut näillä retkilläsi sitä — muuten miten
nyt lie juolahtanut mieleen. Mutta et siinä viivähtänyt. Se oli kuin
repaleinen puku, joka kerran heitettäisiin menemään — se oli kuorta,
jonka alla sydän oli säilynyt terveenä ja voimakkaana. Ja tämä terve
sydän tulisi kerran vielä täysiin oikeuksiinsa.

Mutta ei tarvinnut sitäkään nyt muistaa. Sai antaa silmänsä

huolettomasti iloita näistä puhtaista maisemista ja ruumiinsa solu
solulta uudistua näillä sälöisillä taipaleilla.

Tällä hetkellä sinua kuitenkin hiukan harmitti, että tuo vieras

sotilasmajoitus oli estänyt isää ja äitiä saapumasta vanhaan
kartanoon, jonne olit matkalla. Oli jo kauan niin suunniteltu, että he
olisivat siellä sinua vastaanottamassa, ja olisi ollut hauska saada
siihen tutustua heidän opastamanaan, he kun tunsivat siellä jokaisen
kannon.

Mutta ei kannattanut sitä nyt ajatella. Olit vasta iltapäivällä

irtautunut viimeisestä majapaikastasi, tohtorisedän perintötalosta
pikkukaupungin puistonnurkkauksessa. Nyt oli jo aurinko
alenemassa. Maa tuoksui ja taivaanrannalla purjehtivat suuret pilvet.

Ypö yksin olit matkaillut näitä pitkiä taipaleita ketään kaipaamatta.

Olit jo sivuuttanut tiilikirkon ja painauduit viidakon halki tuollaisen

surkastuneen metsäntapaisen läpi, josta suuremmat puut on
kaadettu ja loput jätetty omaan oloonsa.
 Tuskin kosketit polkimia — annoit vain pyörän huristaa itsestänsä.

Viidakko harveni, tie leveni ja edessäsi oli laajat pellot. Ne

paistoivat keltaisina ja tähkäpäät hohtivat ilta-auringossa. Järvi oli
tältä kohdalta sangen leveä eikä se mikään sisämaanlampi
ollutkaan, vaan osa laajaa vesistöä, jota myöten laivat kulkivat sekä
pohjoiseen että etelään, välittäen liikettä Saimaan vesistöjen
pikkukaupunkien välillä. Kauas pujottautuivat sen lahdelmat
siintävien etäisyyksien tummuuteen.

Ja suoraan silmiesi edessä oli se vanha kartano puittensa

suojassa.

Sen takana siinsivät toiset vedet, jotka hopea nauhana ulottuivat

taivaanrannalle asti. Ja metsäisessä taustassa nousivat vaarat
toistensa vieressä aaltoilevana utuviivana. Korkeimmalla mäellä
paistoi kylä, noita salomaan vankkoja taloja, jotka olivat muun
maailman kanssa yhteydessä vain vesiteitse, ja jonne kirkonkylästä
oli päivän soutumatka.

Sieltä oli ollut kotoisin se nuori talonpoikaistyttö, joka oli mennyt

naimisiin rovastin kanssa. Olit kuullut sukulaisten siitä puhuvan. Ja
tuolla oli heidän entinen pappilansa aivan järven rannalla. Se oli
harmaaksi maalattu, moni-ikkunainen talo, jonka puutarha ulottui
vedenrajaan asti ja jonka säleaita kallistui hiukan veteen. Se näytti
vieläkin hoitamattomalta ja ilottomalta, niinkuin ihmiset kertoivat sen
näyttäneen nuoren rouvan aikana. Hän kaihosi varmaan takaisin
tuohon taloon, joka punaisena hohti tuolla mäellä.

Yhä lähempänä näkyi matkasi määrä, suvun kotikartano, joka oli

vienyt sinut näin kauas kohti Karjalan pohjoisia vaaroja. Se pilkisti
nyt selvästi esille lehtipuittensa takaa ja sitä piiritti sen laajat
viljavainiot, osaksi jo kuhilaalla. Korkea koivukuja halkaisi pellot,
vieden metsän reunalta taloon.

Maantie aleni siltaa kohti, joka vei salmen yli. Salmi leveni
tuonnempana suvannoksi, jonka rannalla oli paja. Miten tuo silta ja
tuo paja olivat sinulle tutut! Sillan kaiteessa olivat penkit, nuorten
iltahaaveilua varten. Sen alta tuli esille vene, jota tyttö souti,
nähtävästi iltalypsyltä saapuen, koska oli maitoastioita veneessä.
Veden pinta välkkyi tyynenä ja tummana korkeitten leppien varjossa,
ja joku lintunen piipotti läheisessä puussa iltaviserrystään.

Sillä kohdalla hyppäsit pyörältäsi, etenit sitten taluttaen sitä pitkin

tietä, joka kulki metsän reunaa.

On sentään hauska, että on tuollainen vanha kotikartano, jonne

voi tulla, ajattelit ja lämpenit.

Tässä sillan kohdallahan suuret matkavaunut pysähtyivät ennen

muinoin kahdesti tai kolmesti vuodessa, kun vanha herra tuli
Helsingistä loma-aikaansa maalla viettämään. Talo oli hänen, vaikkei
hän hallituksen jäsenenä voinut siellä muulloin asua. Mutta se oli
perheen varsinainen koti, ja noista talon ikkunoista hänen lapsensa
ja lastenlapsensa tiesivät määräpäivänä odottaa hänen tuloansa. Ja
kun vaunut ilmestyivät viidakosta peltojen aukeamalle, silloin he
hyökkäsivät häntä vastaanottamaan, joutuakseen häntä
tervehtimään sillan korvassa. Valkohapsinen isoisä astui alas ja antoi
lastenlasten täyttää matka vaunujen joka sopukan. Siinä oli iloa ja
kirkunaa. Kuski läimäytti väsyneitä parihevosia selkään ja vei
lapsukaisjoukon taloon. Mutta täysi-ikäiset saivat jo tiellä kuulla
ensimmäiset terveiset helsinkiläisiltä sukulaisilta ja tärkeimmät
päivän uutiset. Tätä kunnioitetun perheen pään tulopäivää vietettiin
koko talossa vuoden suurimpana merkkitapauksena.
 Siitä ajasta oli nyt jo sata vuotta kulunut.

Sitten oli tullut tavaksi sillan kohdalta lähestyä taloa kävellen, jos
tuli matkustavaisena pitemmän matkan päästä ja kuului perheeseen.
Monessa sukupolvessa olivat talon ylioppilaat tulleet ajaa karauttaen
kyytikärryissä tietä pitkin ja mäen törmällä hypänneet alas
kärryistään ja heiluttaneet lakkiaan tervehdykseksi. Kaikki olivat
lämmenneet nähdessään vanhan kartanon katonharjojen paistavan
esille puitten lomitse.

Siinä oli jotakin erikoista, arvelit sinä, Yrjö. Tuo taitekatto tuossa ja
päätyjen ullakkokamari-ikkunat — ja kaikki ne tarinat, joita vanha
isoäiti oli tiennyt kertoa noitten kamarien muistoista. Niissä oli
mahtanut tapahtua enemmän kuin muualla koko talossa. Nyt loisti
aurinko ikkunoihin, niin että ne punoittaen hohtivat. Eikös siinä
seisonut jokin navettakaivon luona nostamassa vettä? Ja tallirenki
tuli tallista taluttaen hevosta ja alkoi valjastaa sitä kärryjen eteen.

Ajattelit ensimmäistä käyntiäsi tässä talossa. Oikeastaan et siitä

mitään muistanut, sillä olit ollut silloin ainoastaan neljän vuoden
vanha. Mutta isä ja äiti olivat kertomuksillaan muistiasi verestäneet.

Silloin oli ollut paljon sukulaisia koolla. Oli luonnollista, että tässä
suvussa vallitsi yhteistunto. Kaikilla vanhoilla oli niin paljon yhteisiä
muistoja, jotka liittyivät taloon. Siellä he olivat nuorina rakastuneet ja
menneet kihloihin, ja kuinka monet häät siellä olikaan vietetty! Sitten
he olivat tulleet käymään lapsineen, ja näiden hauskimmat
lapsuuden muistot liittyivät vuorostaan vanhaan kartanoon. Nyt
tulivat jo lastenlapset ja yhä pysyi yhteenkuuluvaisuudentunne
kiinteänä. Vanhat olivat jo kuolleet aikoja sitten, mutta nuoremmissa
polvissa oli uskollisuus ja kodikas viihtyminen toistensa seurassa
säilynyt muuttumattomana.
 Silloin olit sinäkin juurtunut tähän yhteiseen maaperään, ja siitä
asti olit tuntenut siihen kuuluvasi. Olit suuren suvun jäsen. Kaikki nuo
valkotukkaiset suvun vanhukset olivat ottaneet sinut vastaan oman
puunsa vesana, olivat laskeneet kätensä päälaellesi kulkiessasi
heidän ohitseen ja kiikuttaneet sinua polvellansa. Tädit olivat
avanneet sinulle kirjaillut käsilaukkunsa, ja serkut olivat nostaneet
sinut olkapäillensä ja hevosina hirnuneet sinulle laukaten ylös ja alas
rantatietä, joka vei saunaan ja uimahuoneelle.

Paljon et niistä päivistä muistanut, mutta ne olivat valopilkkuina

jääneet jonnekin tajuntasi komeroihin.

Jo kääntyi tie metsän reunalta koivukujannetta pitkin suoraan

peltojen poikki taloon.

Mielestäsi oli aivan itsestään selvää, että saavuit sukukartanoon

nyt ylioppilaaksi tultuasi. Niin tekivät kaikki muutkin. Kaikki lähtivät
siellä käymään heti kun jotakin merkillisempää oli heille tapahtunut.
Hakivatko he sieltä entisten polvien sanatonta siunausta? Kuka
tiennee mitä kukin haki. Kaikissa tapauksissa se oli tullut suvussa
tavaksi.

Ei liikkunut ketään pihamaalla, kukaan ei tullut portaille vastaan.

Sinä tulit täysin odottamatta. Vai kurkistiko joku serkuista ikkunasta?
Sinä nostit polkupyöräsi kuistin seinää vasten, tartuit hiljaa oven
ripaan ja riensit sisään.

31.
 Aamulla olit tarkastanut puutarhan kukkamaita. Varmaan ne olivat
isoäidin äidin aikuisia. Siellä oli sydämenmuotoinen kukkamaa, joka
kasvoi pelkkiä lemmikkejä, puolikuunmuotoinen, jonka keskus oli
kaunokkeja ja laidoissa kasvoi nemophilaa. Kaikki kukkapenkereet
olivat näkinkenkien reunustamia, ja ne järjestettiin vuosittain samalla
tavalla.

Vedit sieraimiisi ruohon ja juurien väkevää tuoksua ja aamun

kosteaa lämpöä. Katselit kelluvia veneitä laiturin kyljessä ja
kuulostelit kotipääskysten viserrystä niiden lentäessä korkeita kaaria
tehden ja kaunista ilmaa ennustaen.

Ja tunsit olevasi kotonasi ja voivasi täysin määrin nauttia

olemassaolostasi tässä hyvässä sukulaistalossa.

Eräänä iltapäivänä te yhdessä Aarnen kanssa istuitte

ruohopenkillä rantakäytävän syreenimajassa vilkkaasti jutellen.
Aarne oli paria vuotta sinua nuorempi ja vielä koulussa. Mutta te
olitte yhtä kookkaat varreltanne ja muistutitte käytöstapannekin
puolesta jonkin verran toisianne.

Tuli sitten hetken hiljaisuus. Piirsitte kumpainenkin kuivuneella

oksan tyngällä kuvioita hiekkaan. Järvi oli tyyni ja laiturilla seisoi
rengin poika ahvenia onkimassa.

Aarne nosti päätään ja hänen katseensa kiintyi puutarhan puihin,

jotka siinä rehevinä korkeutta tapailivat.

— Tuon suurimman saksankuusen on Heikku setä lapsena

istuttanut, sanoi hän. Ukko tuli usein ajaen kaupungista tänne —
lauantaisaunaan tai muuten — ja silloin piti kaiken olla niinkuin
hänen nuoruudessaan, tuoreet vastat saunassa, piiraat illalliseksi ja
pieni tuutinki perästäpäin verannalla nautinnon huipuksi. Ei ollut
maailmassa mitään sen parempaa, kuin saada tulla tänne ja antaa
hoidella itseään, niinkuin talon monet tädit ja tyttäret ennen olivat
hoitaneet — tai edes vähän sinnepäin. Nykyään saa vähempään
tyytyä. Ja silloin hän oli aivan kuin liitteistään päässyt, tuo muuten
hiljainen mies, pakinoi ja hyräili ja kertoi entisistä ajoista.

— Mitä sinä Herbed sedästä pidit? — kysyit silloin sinä, Yrjö.

— Kävihän hänkin täällä sangen usein — vastasi Aarne. — Vanha

tätihän oli täältä syntyisin, eikä matkan pituus näkynyt heitä
peloittavan, ja tulihan heistä väkisinkin pitäneeksi, mikäs siinä. Mutta
kultahäittensä jälkeen he eivät enää käyneet.

— Olin hänen hautajaisissaan — sanoit sinä. Ja muistelit, miten

sinä olit ollut niissä läsnä ainoana suuren poikaparven edustajana ja
miten tuo edustaminen oli arvoasi omissa silmissäsi kohottanut. Olit
kulkenut lähinnä arkkua, kantaen pientä sammalristiä, joka oli
pantava kukitetulle hautakummulle. Ja vasta sitten tuli vanha täti
tyttärineen ja sitten miltei koko kaupunki. Sillä kaikki olivat
kiitollisuuden velassa vanhalle lääkärille ja kaupungin isälle. Sinä olit
silloin ollut kahdentoista vuoden vanha, mutta sen päivän tulisit ikäsi
muistamaan.

Herbed setä oli ollut eräs niistä valkotukkaisista, jotka lempeästi

olivat hivelleet päätäsi. Niitä oli ollut monta, mutta he olivat kaikki nyt
kuolleet.

Teille tuli mieleen vielä muita muistoja, sedistä ja tädeistä, jotka

olivat jo manalle menneet, mutta jotka olivat jättäneet elämänsä
kokemukset perinnöksi laajan suvun nuorelle polvelle. Heidän
sukurakkautensa ja sukuyhteytensä olikin käynyt miltei
sananparreksi. Tuo piiri oli sinutkin niin kokonaan omistanut, että
aina olit tuntenut täyttä yhteenkuuluvaisuutta sen kanssa.

— Mahtaa olla hauska olla tämän talon poika ja perijä — sanoit

sinä
Aarnelle.

— Onhan tuo — arveli toinen. — Minusta tuntuu etten oikein elä

muualla kuin täällä. Talvella koulukaupungissa on paljonkin
toimittavinaan, mutta aina on ikävä tänne, ja vasta täällä on oma
itsensä jälleen.

*****

Niin kului pari kolme päivää, ja olit jo täydelleen perehtynyt sekä

talon muistoihin että sen jokapäiväiseen vaatimattomaan elämään.
Paljon oli siellä jo saavutettu, mutta parannuksia suunniteltiin
monella alalla. Tapasi mukaan olit ollut tarkastamassa vesijohtoja ja
puimakonetta, olit tutkinut separaattorin työkelpoisuutta ja lähimmän
voimakeskustan koneistoa. Mutta ennen kaikkea olit uhrannut
aikaasi talon moottoriveneen kuntoonsaamiseen, ja kun se lopettaen
pitkä-aikaisen liikkumattomuutensa lähteä tyksytti rannasta, tunsit
oikeutettua tyydytystä. Niin hyvin olit viihtynyt, että muistit pienellä
kaipauksella vapaa-aikasi lähenevää loppua.

Vielä oli iltapäivä jäljellä, jonka vietit Aarnen kanssa kahden.

Heittäysitte rannan ruohikolle, katsellen suoraan puitten oksia ja
oksien lomitse vaaleaa taivaan kupua. Ja ajattelit täällä-oloasi ja tätä
taloa ja muita taloja ja kaikkia niitä laajoja maakuntia, joiden halki olit
matkaillut.
 Tämä talo oli vanha. Mutta yleensä oli hyvin vähän vanhaa ja
valmista tässä maassa. Kymmenpenikulmittain oli se vielä
vartomassa niitä, jotka siitä kerran tekisivät sen uljaan asuinsijan
tälle kansalle, joksi se voisi kehittyä.

Odottivathan pellot vielä hedelmöittäjäänsä ja metsät

säästäjäänsä ja hoitajaansa. Entä kosket! — Sinä tulit miltei
hehkuvaksi niitä mahdollisuuksia ajatellessasi Saisipa olla
rakentamassa ja pyöriä vääntämässä! Ja kuulemassa niiden
surinaa, tietäen että siitä tulee jotakin suurta! Saisipa olla uusia
rautateitä rakentamassa ja uusia kulkuväyliä aukomassa ja
näkemässä miten niiden varsille nousee uusia taloja ja väkirikkaita
kyliä.

Kyllä tämä oli maa, joka vie muista maista voiton, ajattelit
itseksesi.
Jospa vain saisi olla mukana viemässä sitä eteenpäin!

Täällä oli tehtäviä. Mutta suurin kaikista tehtävistä oli vaikein.

Kukaan ei vielä arvannut, miten siitä selviydyttäisiin. Mutta ei
hätäpäivää! Selvitä täytyy!

Ja sinä aloit Aarnelle kertoa siitä, mistä oli ollut puhe

ylioppilasosakunnan kesäkokouksessa ja josta muutenkin olitte jo
monta kertaa puhuneet. Kokouksessa oli siihen vihjattu noin vain
miehestä mieheen, salaa, ohjelman ja tanssin lomassa. Jokikisen
illan olitte tanssineet jotenkin myöhään, ja olitte sitten saattaneet
tytöt kotiin. Sinun oli usein ollut niin kuuma, että paluumatkalla olit
paljastanut rintasi ja viillytellyt itseäsi kosteassa yöilmassa. Mutta
sitten olitte istuneet yhdessä aamupuoleen yötä yhteisen asuntonne
portailla, joukko ylioppilaita kuraattorinsa kera. Olitte tarinoineet
niistä, jotka olivat salaa matkustaneet etelään päin sitä tietä
pelastaakseen isänmaansa. Olitte kertoneet heistä hehkuvin poskin.
Jotkut teistä olivat epäröineet, pitäen kiinni vanhasta ohjelmastamme
ja tahtoen odottaa otollista hetkeä. Mutta useimmat heittivät kaikki
arvelut sikseen tuon yhden ja ainoan päämäärän vuoksi. Esitettiin
huimaavia tulevaisuuden suunnitelmia. Innostuttiin — kiihdyttiin.
Nuori joukko ihaili lähteneitä tovereitaan, ja moni toivoi sydämessään
pääsevänsä mukaan.

Aarne nosti äkkiä päätään ja viittasi taloon päin⁻

— Elleivät olisi olleet niin vastassa nuo, niin sinne olisin mennyt
minäkin!

— Olisit ollut liian nuori.

— Mikä nuori! — On sinne mennyt nuoria muitakin — ja ajatteles,

kun saisi olla mukana antamassa ryssille selkään kaikesta siitä,
minkä ne ovat meille aikojen kuluessa tehneet!

Sinä, Yrjö, et omasta puolestasi mitään sanonut, lähtisitkö vai et.

Mutta sinulla oli pidättäjäsi, joka tällä hetkellä teki sellaiset
suunnitelmat mahdottomiksi. Työsi se oli, jumaloimasi työ, jota olit
ikävöinyt läpi koko kouluajan ja johon sinulla oli niin selvät
taipumukset. Eikä se ollut mielikuvitusta, se oli sinussa
synnynnäistä, tiedän sen. Sinusta tuntui kuin olisit ollut itsellesi ja
maallesi uskoton, ellet olisi tällä hetkellä sen kutsua kuullut. Olkoon
muilla omat tehtävänsä — sinulla oli omasi. Ne vaativat kuin
pakkovoimalla. Kosket pauhasivat kuohuen: opi meitä käyttämään!
Etäisyydet humisivat toisilleen: missä on yhdistäjämme? Maat ja
metsät huokailivat: palvele meitä, niin että voimme sinua palkita!
 Iloitsit siitä, että maa tarvitsi sinua, niinkuin se tarvitsi kaikkia
poikiansa. Mutta kun se suuri kohtalon hetki kerran tulisi, jolloin maa
oli vapautettava, silloin saisi kaikki muu väistyä — kaikki muut
tehtävät aikaansa odottaa — sillä silloin olisi vain yksi tarpeellinen.

Kun vain ajatteli sellaista mahdollisuuttakaan! Sellaista onnea, että

Suomesta tulisi vapaa maa!

Ja kaukainen muisto nousi tajuntaasi. Oli aamuhetki; oli uitu

meressä, ja suurella kentällä oli hiljaista. Seitsemänsataa poikaa
kiinnitti katseensa kummulle, jossa Tanskan lippu hitaasti nousi
ilmaan. Silloin paljastuivat kaikkien päät ja kaikkien mielet olivat
hartautta täynnänsä.

Miten olitkaan kadehtinut noita muita poikia siitä, että heillä oli
itsenäinen isänmaa!

Ja nyt!

Saisitko todellakin kokea sen, mitä aina olit toivonut? Sellaisen

ajan tuloa, jolloin ei kukaan enää voisi pakottaa suomalaista poikaa
piilottamaan partiomerkkinsä kirjoituspöytälaatikkoonsa? Jolloin ei
kukaan enää lähettäisi suomalaisia miehiä maanpakoon ja polkisi
suomalaisen lain jalkojensa alle? Jolloin emme enää huokailisi
vieraan sorron alla? Vaan meillä olisi rauhoitetut kodit ja omat
lakimme ja oma valta omassa talossamme.

Ja Suomen oma lippu nostettaisiin kohti taivasta ja

seitsemänsataa kertaa seitsemänsataa suomalaista poikaa
paljastaisi sille päänsä!

Olit kuin poistunut kauas ajatuksissasi.

 Mutta Aarne heittäysi kyljelleen ja vihelsi jotakin, joka sai huomiosi
kiintymään illan viileään rauhaan.

Siellä metsä tummeni tummenemistaan lahden toisella puolen ja

heitti mustan varjon veteen. Kuului airojen loisketta jostakin, ja vene
tuli esille salmen suusta. Talon nuorin poika heitti riippakiven
vanhalle ahvenpaikalleen. Pellon takana ynisivät lehmät. Tyttö
askaroitsi lehmisavussa punaruutuinen huivi päässään, ja toinen
liinatukkainen tytönressukka huiski koivunvitsalla kärpäsiä
loitommalle.

Silloin tällöin kuului ääniä metsästä päin tai laulua sillan kohdalta.

Kotimaa! Isänmaa! — kaikui sielussasi.

Kotoinen tunnelma kiersi nuorten miesten suonissa ja näkyi

kietovan pehmoiseen viihtymisen hymyyn vanhan kartanon niityt ja
pellot, rannat ja näköalat, laiturit ja venevalkamat.

32.

Kun sitten saavuit kotiin pyöräilymatkaltasi, oli ruohokenttämme

valkoisena kukkivaa apilasta. Ja se oli sinusta kaunista.

— Täällähän on rehevää — sanoit sinä. — Luulin että täälläpäin

näyttäisi köyhältä kaiken sen rinnalla, mitä olen nähnyt.

Matkavaikutelmat täyttivät kokonaan mielesi. Olit käynyt Imatrat ja

Punkaharjut ja risteillyt Laatokalla moottoriveneellä. Kolilla olit nähnyt
auringon sekä nousevan että taasen laskevan. Nyt tiesit mielestäsi
paremmin kuin ennen, mitä Suomi oli. Ja kun janoissasi olit
pistäytynyt mökkipahaseen ja emännän kädestä saanut piimätuopin,
olit ajatellut, että ihmiset olivat kuin maa, hyvää lajia, jolla on
kehittymisen mahdollisuudet. Kaikki oli vanhan ja uuden välillä. Se
oli suuriarvoista sille, jolla oli tulevaisuus edessään. Ja vähällä tultiin
toimeen. Ei ollut torpissa sanottavasti kalustoa eikä lapsiressuilla
montakaan vaatekappaletta yllään. Mutta ikkunasta siinsi lahti ja
rannalla lämmitettiin sauna. Ja vuosittain laajeni uutispelto metsän
laidassa.

Ja kaikki maaseudun ihmiset olivat mielestäsi kadehdittavia

olentoja.

Mutta nyt sinua väsytti. Sinua väsytti niin että jalat olivat lyijyn
raskaat. Mielelläsi olisit hiukan lepäillyt, mutta päivä oli määrätty,
jolloin sinun piti ruveta harjoittelijaksi tehtaaseen, eikä täsmälleen
saapumista nyt saanut mikään estää. Olihan sinulla muutamien
vuorokausien huoahdus välillä, ja se sai riittää, sillä ethän sinä
omasta mielestäsi ollut lainkaan rasittunut. Väsymyksesi ei
merkinnyt mitään ja minäkin luulin sen olevan vain ohimenevää
raukeutta pitkän pyöräilymatkan jälkeen.

Siihen aikaan oli paljon työtä mansikkamaassa, joka oli suuri ja

täynnä meheviä marjoja. Kyykötin siellä päivät umpeen marjan
poiminnassa, ja kuitenkin siellä aina oli kypsiä jäljellä. Levitin
puuvillaa terttujen alle, jotteivät vajoaisi maahan ja tulisi mukaisiksi.

Se nyt on joka tapauksessa tehtävä, ajattelin itsekin uuvuksissani.

Mutta eräänä aamupäivänä me sitten lähdimme yhdessä

kaupunkiin ostamaan työpukua harjoittelijalle. Löysimmekin
ruskeavärisen pumpulipuvun, sellaisen »overallin», jota työmiehet