MaskBlur：用于光场图像超分辨率的空间与角度数据增强
数值分析
2026-04-21 v3 数值分析
概率论
摘要
数据增强 (DA) 是提高模型性能、在数据有限时效果显著的有效方法，如光场 (LF) 图像超分辨率 (SR)。光场图像本身具备丰富的空间和角度信息。然而，目前缺乏专为 LF 图像设计的 DA 方法，已有工作往往仅关注空间或角度中的单一领域。本文提出一种新的空间与角度 DA 策略，命名为 MaskBlur，用于 LF 图像 SR，通过同时处理空间和角度两个方面来实现。MaskBlur 包含两个组成部分：空间模糊和角度 dropout。空间模糊由空间掩码控制其作用位置，即将低分辨率域和高分辨率域之间的像素粘贴在一起。角度掩码负责角度 dropout，即选择对哪些视角执行空间模糊操作。通过这种方式，MaskBlur 使模型在超分辨 LF 图像时能够在空间和角度域对像素采取不同的处理方式，而非盲目对所有像素相等处理。大量实验表明，MaskBlur 在显著提升现有 SR 方法性能方面具有有效性。我们进一步将 MaskBlur 扩展到其他 LF 图像任务，如去噪、去模糊、低光增强和真实场景超分辨率。代码已公开：https://github.com/chaowentao/MaskBlur
引用
@article{arxiv.2410.06477,
title = {Complete pivoting growth of butterfly matrices and butterfly Hadamard matrices},
author = {John Peca-Medlin},
journal= {arXiv preprint arXiv:2410.06477},
year = {2026}
}
备注
Accepted version (Linear and Multilinear Algebra)