Oct, 2018

DeepLens：从单幅图像产生浅景深

PDF
TL;DR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。
depth-of-fieldneural networkmobile phonesshallow dofimage synthesis
发现论文，激发创造
  • 单摄手机合成景深

    该研究提出一种使用单一手机相机和按键合成浅景深图像的系统，如果该图像是一个人，则使用人体分割网络将人和其配件与背景分离，并使用密集二像素自动对焦硬件计算出密集深度图。这两个信号结合起来用于渲染一张非聚焦的图像。

    Jun, 2018

  • 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

  • 使用深度学习生成自然相机的景深效果

    本文提出了从 DSLR 相机制作模糊背景效果的深度学习模型，并使用大规模图像数据集进行训练。通过实验证明，该模型能够生成非均匀玻璃散射现象，即使输入数据复杂。

    Jun, 2020

  • 使用双像素数据进行散焦去模糊

    该研究提出了一种有效的去除焦外模糊的方法，利用大多数现代相机上的双像素传感器捕获的数据，通过深度神经网络结构来减少焦外模糊，并且通过精心捕获的数据集来证明了该方法的可行性。

    May, 2020

  • 针对非专业摄影师的合成模糊和前瞻自动对焦技术

    本文介绍了一种新的方法来实现休闲视频制作中的电影般的焦点，即从深度拍摄的视频中合成可重新对焦的视频，并分析未来的视频帧以实现上下文感知的自动对焦。

    May, 2019

  • 单目深度估计和 3D 物体检测的深层光学

    本文介绍了深层光学的概念，通过编码式的散焦模糊作为额外的深度线索，以端到端设计的光学和图像处理结合来解决单张图像的深度估计问题，提出了几种光学编码策略，并针对三个数据集进行了深度估计的端到端优化方案评估，结果表明在自由镜面设计方面得到了最佳结果，同时，使用单片透镜的色差也可以实现显著的改善深度估计性能，我们构建了一个物理原型，并验证色彩象差改善了在真实世界中的深度估计结果。此外，我们还在 KITTI 数据集上训练了物体检测网络，并表明为深度估计优化的镜头也导致改进了 3D 物体检测性能。

    Apr, 2019

  • 使用光场生成和实际虚焦图像进行去模糊学习

    本文提出了一种新型深层次解除虚焦模糊网络，它通过使用光场技术生成高度准确的图像配对，并使用 Feat?ure loss 技术改善二次拍摄方法捕捉到的图像失焦，取得了在多个测试集上的良好表现。

    Apr, 2022

  • 深度自聚焦

    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。

    Apr, 2017

  • 深度感知平滑图像混合用于浅景深效果生成

    本论文提出了一种基于端到端深度学习框架的方法，通过单眼景深估计网络将原始图像和不同版本的平滑图像混合以生成高质量的浅景深照片，该方法在 AIM 2019 咀嚼效应挑战赛感知跟踪中排名第二。

    May, 2020

  • 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