Apr, 2017

深度自聚焦

PDF
TL;DR本文提出了一种端到端的学习方法，称为 “Deep Depth From Focus (DDFF)”，该方法基于深度神经网络，利用配备了 co - 校准的 RGB-D 传感器的光场相机进行数据采集，数据集比既有基准数据集大 25 倍，可以用于解决计算机视觉中的 “Depth from focus (DFF)” 逆问题，实验结果表明，所提出的方法 “DDFFNet” 在所有场景中都取得了最先进的性能。
depth from focusdeep depth from focusmachine learningddffnetcomputer vision
发现论文，激发创造
  • 差分聚焦体的深度自聚焦技术

    本文提出了一种基于卷积神经网络的深度学习方法，使用微调的焦距图像识别出最佳焦点像素并通过焦距估计推断深度，通过深度差分聚合光学信息，利用概率回归处理稀疏采样的数据集，对目标的深度估计及预测提供不确定性。实验结果表明，该模型在多个数据集上均能取得最佳性能，具有很好的普适性和快速性能。

    Dec, 2021

  • 基于散焦线索的全自监督深度估计

    提出了一种基于稀疏焦距堆栈的自监督 DFD 框架，无需深度或 AIF 图像基础知识，利用神经模型预测深度和 AIF 图像，并利用光学模型验证和精化预测。

    Mar, 2023

  • Defocus 和 DNN：如何通过 DNN 利用 Defocus 模糊提高 3D 估计的深度

    本文提出了一种利用深度学习方法和从焦外模糊度生成深度图像的技术来预测在野外环境下的单张图像深度的系统，并通过实验证明，相较于清晰图像，焦外特征能够有效提升深度预测准确性。

    Sep, 2018

  • 基于事件焦点堆叠的单目深度学习

    本研究提出了 EDFF 网络来估计基于事件相机的稀疏深度，通过利用事件体素网格对强度变化信息进行编码，并将事件时间表面投影到深度领域中以保留每个像素的焦距信息。同时，提出了基于焦距的跨模态注意力模块和多级深度融合块，用于融合上述信息和生成最终输出，通过大量实验证明了我们的方法优于现有最先进的方法。

    May, 2024

  • 深度和景深线索让去焦模糊检测更好

    本文提出了一种名为 D-DFFNet 的方法来检测图片中的 defocus 模糊区域。该方法通过隐式地结合深度信息和 DOF-edge 损失函数来理解 defocus 现象，并通过从预训练的单眼深度估计模型中提取深度特征。在公开基准数据集和新的大型数据集 EBD 上，该方法优于现有的各种方法。

    Jun, 2023

  • 单张图像深度估计训练

    使用深度焦点提示为基础，基于点扩散函数卷积层的无监督学习深度估计方法能在多个数据集上优于其他无监督方法和与 KITTI 和 Make3D 数据集中的监督方法效果相当，并且与数据集无关.

    Jan, 2020

  • DeepLens：从单幅图像产生浅景深

    使用深度学习算法和手机拍摄的 RGB-D 数据集改进图像升采样、边界预测和景深控制，从而实现了单张图像高分辨率景深浅化处理。与双镜头深度相机 iPhone 模式相比，该方法在景深控制和光圈大小选择方面更加灵活，且生成的图像质量较好。

    Oct, 2018

  • 无相机独立的单张图像焦外模糊深度估计

    用单眼深度估计来对抗焦散模糊进行更准确的结果预测，根据光学物理方程表明了相机相关参数如何影响焦散模糊并且提出了简单的校正方法，无需对原始模型进行重新训练，通过合成数据集和真实数据集的评估结果表明了该方法对于不同相机的适应性更强。

    Nov, 2023

  • 变分焦深度重建

    本文提出了一种将焦点深度问题作为变分问题的方法，该方法包括一个平滑但非凸数据保真度项和一个凸并非平滑的正则化项，并采用线性化交替方向乘子法解决非凸优化问题，从而获得更逼真的深度图。通过对模拟和实际数据的数值比较，我们证明了该方法的高效性。

    Aug, 2014

  • 聚焦模糊：连接深度估计合成与实际领域的差距

    本文通过使用领域不变的虚焦模糊作为直接监督来解决数据驱动的深度估计方法在不训练场景外的概括能力问题，并利用置换不变卷积神经网络利用虚焦提示，通过不同焦点的图像差异训练模型，从而在合成数据集合和真实世界图像集合上取得了令人信服的泛化结果和最先进的深度预测。

    May, 2020