光场空间分辨率增强框架
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
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
本文利用新颖的端到端学习法解决通过混合镜头(高分辨率相机周围有多个低分辨率相机)重建高分辨率光场图像的问题,通过深度多维和跨域特征表征回归一个具有空间一致性的中间估计,同时构建另一个维护高频纹理的中间估计,在通过学习的注意图整合两个中间估计的优势,最终重建高分辨率的光场图像。实验证明本研究方法相较于现有技术在提高峰值信噪比两个单位的同时保留了光场结构,并且是首个使用端到端深度学习方法解决混合输入高分辨率光场图像问题。
Jul, 2019
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
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
本研究提出了一种新的光场超分辨率算法,采用多帧方法,使用不同光场视图中的信息来增强整个光场的空间分辨率,结合图形正则化器通过非局部自相似性来避免各个视图昂贵且具挑战性的差异估计步骤。实验表明,本算法在 PSNR 和视觉质量方面都与其他光场超分辨率最先进方法相比优越。
Jan, 2017
本文提出了一种通过分析光场图像超分辨率嵌入的几何关系并引入虚拟狭缝图像(VSI)的新 LF 子空间来提高效率的方法,并且使用超采样和 EPIXformer 几何感知译码器对低分辨率 LF 数据进行超分辨率重建,实验结果表明该方法在各种差异处理方面优于其他现有方法。
May, 2023
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。
Feb, 2024
通过仅使用单个 RGB 图像作为输入,LFdiff 采用基于扩散的生成框架针对光场合成进行设计,利用单目深度估计网络估计视差并结合新颖的条件方案和面向光场数据的噪声估计网络。实验结果表明,LFdiff 在综合光场合成方面具有卓越表现,并且生成的光场数据具有广泛的应用性,涵盖了光场超分辨率和重焦等应用领域。
Feb, 2024
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