基于深度学习从缺失视点进行360度数字全息高精深度图估计
计算机视觉与模式识别
2021-03-10 v1 人工智能
图像与视频处理
摘要
本文提出一种新颖的卷积神经网络模型，用于从缺失视点提取高精度深度图，尤其适用于生成全息三维内容。深度图是相位提取的基本要素，而相位提取是合成计算机生成全息图（CGH）所必需的。所提出的模型称为HDD Net，使用MSE作为损失函数以提升深度图估计性能，并在上采样层采用双线性插值以及Relu作为激活函数。我们设计并准备了共计8,192张多视点图像，每张分辨率为640×360，用于深度学习研究。所提模型通过提取特征、上采样来估计深度图。对于定量评估，我们使用PSNR、ACC和RMSE将估计深度图与真实值进行比较。我们还将由估计深度图生成的CGH图样与由真实值生成的图样进行比较。此外，我们通过直接从CGH重建全息三维图像场景，展示了用于测试估计深度图质量的实验结果。
引用
@article{arxiv.2103.05158,
title = {Deep Learning-based High-precision Depth Map Estimation from Missing Viewpoints for 360 Degree Digital Holography},
author = {Hakdong Kim and Heonyeong Lim and Minkyu Jee and Yurim Lee and Jisoo Jeong and Kyudam Choi and MinSung Yoon and Cheongwon Kim},
journal= {arXiv preprint arXiv:2103.05158},
year = {2021}
}
备注
12 pages, 10 figures, 5 tables