Feb, 2024

自主学习的空间变异 PSF 估计对于能够察觉像差的由视角焦深度提供帮助

PDF
TL;DR本研究论文提出了一种适应实际相机空间变异点扩散函数的像差感知散焦深度计算方法，并通过自监督学习利用实际清晰与模糊图像对来获取相机的空间变异点扩散函数，同时处理了实际深度感知时出现的焦距呼吸现象，合成和真实数据的实验证明了方法在点扩散函数和深度感知方面的有效性。
aberration-aware depth-from-defocusspatially variant point spread functionsself-supervised learning methodrotationally symmetric psfsfocus breathing phenomenon
发现论文，激发创造
  • 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

  • 基于深度先验的通用灵活光学像差校正

    本文提出了一种 PSF 感知的即插即用深度网络，通过引入特定镜头的深度先验知识，以消除光学像差，从而实现了通用和灵活的光学像差校正方法，该方法具有高效的性能。

    Apr, 2021

  • 使用深度学习从点扩散函数和扩展图像直接预测泽尼克系数

    使用卷积神经网络直接从两到三个相位多样性光学图像中预测泽尼克系数，对光学像差进行表征，以实现快速准确的相位多样性方法，为真实数据集的评估铺平了道路。

    Apr, 2024

  • 快速两步盲目光学像差校正

    该论文提出了一个两步方案来矫正单个图像中的光学像差，其中包括对重叠区域进行局部高斯模糊核的估计和去除横向色差，其中利用了卷积神经网络进行修复。

    Aug, 2022

  • 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

  • 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

  • 通过全焦深度监督桥接无监督和有监督的焦深度

    本文提出了一种方法，可以从具有不同对焦位置的图像集中估计深度图和全焦图像，并设计了一种共享网络结构来利用深度估计和全焦图像的关系，通过有监督学习和无监督学习两种方式进行训练，并在实验证明该方法具有比现有方法更高的定量和定性性能以及更高的推理效率。

    Aug, 2021

  • 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

  • 利用光圈渲染生成对抗网络从自然图像中无监督学习深度和虚化效果

    本文引入了孔径渲染生成对抗网络（AR-GANs），使用焦点提示学习深度及深度场效应，并且通过深度场混合学习减少了无监督学习的歧义，实现了多样化的图像生成。

    Jun, 2021

  • CodedStereo：学习用于大景深立体的相位掩模

    本文提出了一种基于深度神经网络的技术，通过在双目成像系统的光圈平面引入相位掩膜，创造了一个深度相关的点扩展函数，从而克服了传统立体成像中成像体积和信噪比之间的基本折衷，从而获得了较为显著的扩展景深和更清晰的图像纹理，通过理论分析和实验验证，表明该技术可以在成像体积方面提高 6 倍左右。

    Apr, 2021