Jul, 2020

基于编码光阑的压缩光场重建的深度空间角度正则化

PDF
TL;DR本文提出了一种基于学习的编码孔径重构高质量光场，在深度学习框架中巧妙地将测量观察融入，避免了完全依赖数据驱动先验进行光场重建。实验结果表明，相对于目前最先进的方法，本方法不仅在真实和合成数据集上具有更高的 PSNR/SSIM 值，而且更好地保留了 LF 视差结构。此外，实验表明本方法对噪声具有很好的鲁棒性。
coded aperture4-d light fieldreconstruction algorithmlearning-based frameworkhigh-quality lfs
发现论文，激发创造
  • 利用深度学习进行压缩光场重建

    本研究提出了使用新的、由自编码器和四维卷积神经网络组成的两个分支网络结构，深度学习途径来从单个编码的二维图像中恢复高分辨率的四维光场，以实现光场成像的实时视频采集系统的潜力。

    Feb, 2018

  • 通过单张编码图像重建连续光场

    我们提出了一种方法，可以从单个观测图像中重建目标场景的连续光场。我们的方法综合了两个方面的优点：联合孔径曝光编码用于压缩光场获取以及神经辐射场（NeRF）用于视图合成，从而实现高质量的连续光场重建。

    Nov, 2023

  • 利用编码孔径和事件实现高效光场采集

    我们提出了一种利用编码孔径和事件相机结合的计算成像方法，通过在单次曝光中应用一系列编码模式来记录视差信息，并使用图像帧和事件共同计算重建光场的算法流程，该方法可在单次曝光中实现比其他成像方法更准确的重建，并且在相机上能够以 22 毫秒内完成测量的硬件原型表现出令人信服的视觉质量。

    Mar, 2024

  • 基于概率的 4D 光场特征嵌入在压缩成像与降噪中的应用

    该研究提出了基于概率的特征嵌入 (PFE) 方法，通过在概率空间中组装各种低维卷积模式来学习特征嵌入结构，以捕捉空间角信息。进一步结合编码孔径相机的固有线性成像模型，构建了一个循环一致的 4-D LF 重建网络。同时，将 PFE 纳入到迭代优化框架进行 4-D LF 去噪，实验证明该方法在真实和合成 4-D LF 图像上的表现显著优越。

    Jun, 2023

  • 基于深度排列几何嵌入和结构一致性正则化的光场空间超分辨率

    本文提出一种基于学习的轻场景图像空间超分辨率框架，在每个轻场景图像视角学习探索不同的信息，并通过正则化网络结构来确保场景的正确视差关系，实验结果表明该方法不仅提高了平均峰值信噪比超过 1.0 dB，而且以更低的计算成本保持了更准确的视差细节。

    Apr, 2020

  • 一种低秩先验和深度卷积神经网络的光场超分辨率方法

    本文介绍了一种用于恢复整个光场并实现在所有子孔径图像上的一致性的学习空间光场超分辨率方法，其中算法先使用光流来对齐光场，然后使用低秩近似来减少其角度尺寸，最后通过 DCNN 来恢复超分辨率嵌入。实验结果表明，该方法优于现有的光场超分辨率算法，平均峰值信噪比相对于第二个最佳性能的方法提高了 0.23 dB; 并且还可以使用迭代反投影作为后处理步骤来进一步提高性能。

    Jan, 2018

  • 光场分解用于超分辨率和视差估计

    本文介绍了一种用于轻场摄像机数据处理的卷积神经网络，利用分离机制处理空间和角度信息间的交织以实现空间分辨率的提升，角度超分辨率和视差估计。实验结果表明，该方法在所有三个任务实现了最好的表现。

    Feb, 2022

  • 基于高维稠密残差卷积神经网络的光场重建

    利用基于张量恢复的学习框架进行高维光场重建和超分辨率，并通过多范围训练策略，提出一种新的归一化操作和阶段性损失函数来改善性能。在多个光场数据集中，该方法实现了优越的性能和更少的执行时间。

    Oct, 2019

  • 基于 CNN 框架的各向异性视差分析光场去噪

    本研究提出了基于各向异性视差分析的新型光场去噪框架，通过联合设计结构视差合成网络和视角相关的细节补偿网络，能够更好地保留视差细节，提高视觉质量。

    May, 2018

  • 光场图像超分辨率的空间 - 角度交互

    本文提出一种名为 LF-InterNet 的空间角度交互网络用于光场图像超分辨率，通过特征交互逐渐融合空间和角度信息。我们的方法在低计算成本下，能够以高 PSNR 和 SSIM 评分还原重构图像的细节，明显优于现有的超分辨率方法。

    Dec, 2019