Feb, 2024

面部识别中的空间分辨率与角度分辨率的权衡

PDF
TL;DR光场表征中角度信息与空间角分辨率之间存在的权衡关系对人脸识别性能产生着显著的影响。本研究通过在保持整体图像大小的基础上利用具有不同角度分辨率的宏像素，以评估角度信息在空间分辨率降低的代价下对人脸识别性能的影响。实验结果表明，通过增加角度分辨率，可以在一定程度上显著提高人脸识别系统的性能。
face recognition systemsrobustnessspatio-angular resolutionlight field representationangular information
发现论文，激发创造
  • 光场空间分辨率增强框架

    光场成像具有捕捉角度和空间光分布的能力，通过模块化方法进行分辨率增强，以每个光场视角独立增强分辨率的纹理变换网络，并利用光场的规则性来同时提高所有光场图像视角的分辨率，相比现有方法在定性和定量评估方面表现出更好的性能。

    May, 2024

  • 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

  • 基于学习的光场压缩空间与角度信息分离

    本文介绍了一种新型神经网络，它可以通过使用不同的角核和空间核来区分光场的角度信息和空间信息，并且该网络在压缩和视角合成任务中取得了极好的效果。

    Apr, 2023

  • 通过几何感知网络学习光场角超分辨率

    本论文提出了一种基于端到端学习的方法，旨在通过充分利用光场的内在几何信息，对大基线光场进行角向超分辨率处理。实验证明，该方法与现有最先进的方法相比，平均提高了 2 dB 的峰值信噪比，并节省了 48 倍的执行时间，同时更好地保持光场视差结构。

    Feb, 2020

  • 联合学习增强车道检测的空间、角度和时间信息

    通过光场成像和新颖的深度学习模型，本文介绍了一种提升车道检测的新方法，它通过整合空间、角度和时间信息来显著改善在复杂环境下的车道检测；利用基于透镜的二维光场表示和 LSTM 网络，该方法展示了优于传统方法的卓越性能。根据我们的研究发现，这种集成数据方法有望推动车道检测技术的发展，并为自动驾驶感知启发新的模型。

    May, 2024

  • 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

  • 探索提高低分辨率人脸识别的因素

    本论文主要研究如何利用检测因素来提高基于深度学习的人脸识别在低质量图像下的识别准确率，通过利用 MS-Celeb-1M 数据集并对 VGGFace2 数据集进行微调，达到了 SCFace 和 ICB-RW 基准测试的最新水平。

    Jul, 2019

  • 基于学习的光场相机视角合成

    本文提出了一种新的基于机器学习的方法用于从稀疏的视角图像中合成新的视角图像，该方法使用了两个 CNN 来分别对视差和颜色进行估计，并通过最小化合成图像与标准图像之间的误差来同时训练两个网络。实验结果表明该方法能够合成出高质量的图像并优于现有的技术，该方法可以潜在地降低消费者光场相机所需的角度分辨率，从而提高空间分辨率。

    Sep, 2016

  • SphereFace 再现：统一的超球面人脸识别

    本文介绍了一个统一框架来理解超球面人脸识别中的大角度间隔，进一步扩展了 SphereFace 的研究并提出了一个稳定性较好的改进版，结果表明这个改进版在识别准确率上比当前最先进的方法更好或竞争力更强。

    Sep, 2021

  • 高阶残差网络用于光场超分辨率

    本文提出了一种高阶残差网络，通过学习光场数据的几何特征对其进行重建，可有效减少非 Lambertian 和遮挡区域的伪影。实验结果表明，该方法在定量和视觉评估上均优于最先进的单图像或 LF 重建方法。

    Mar, 2020