基于非学习的优化方法,该论文提出了一种新的方法,通过明确考虑光场的 4D 几何模型,来利用 4D 几何信息进行深度估计,实验结果表明,该方法在表面法线角度精度方面优于现有的学习和非学习的方法,在平面表面上的平均中位角误差比现有方法低 26.3%,在均方误差 ×100 和 Badpix 0.07 方面与现有方法具有竞争力。
Mar, 2024
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
提出一种基于无监督学习的深度估计方法,通过探索角度的一致性和权重平滑性,实现在真实场景数据下进行更高精度的深度估计。
Jun, 2021
本研究提出了一种新的框架,它可以从光场数据中恢复高质量的连续深度图,其中包括基于深度图完全参数化的光场生成模型,并结合非局部均值先验等强大的正规化技术以实现准确的深度图估计。
Sep, 2016
本论文提出了一种机器学习算法,输入一个 2D RGB 图像并合成一个 4D RGBD 光场,用于场景的颜色和深度方向的射线,同时介绍了最大的公共光场数据集,以及应用的卷积神经网络。
Aug, 2017
该论文综述了基于深度学习的单个 RGB 图像和视频的深度估计方法,包括输入输出模态、网络结构和学习方法的分类,历史里程碑,以及现有方法使用的流程、数据集和评估指标。
Jun, 2024
本文介绍了一种用于提升光场相机在深度估计方面性能的深度解耦机制,并通过设计改进的特征提取器和网络结构来实现最先进的性能。此外,还设计了一种块遍历角度超分辨率策略,可在输入视图较高的内存使用情况下减少内存使用量,并具有更好的重建性能。
Nov, 2023
通过使用双目输入,引进左右一致性损失函数,并提出一种保存边缘特征的损失函数来改善测试时训练中的深度模糊问题,提出了一种稠密的双目视频深度估计方法,调研结果表明该模型精度可靠。
May, 2023
本文介绍了如何使用全谱光场捕获(H-LF)系统提取场景深度。我们的方法分为两个部分,第一部分是新的跨光谱配对技术,第二部分是使用 H-LF 立体匹配。实验结果表明,我们的方法能够产生高质量的视差图,并且可以用于产生完整的光场,并合成不同光谱响应下的全焦和散焦彩色图像。
Sep, 2017
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