利用学习型彩色编码孔径从单幅光学编码图像进行深度估计
计算机视觉与模式识别
2023-09-18 v1
摘要
由于深度线索在采集过程中丢失，从常规相机的单幅图像进行深度估计是一项具有挑战性的任务。最先进的方法通过在镜头孔径中引入二值编码孔径（CA）来生成不同深度处不同的编码模糊图案，从而改善不同深度间的区分度。彩色编码孔径（CCA）也可在捕获图像中产生颜色错位，可用于估计视差。借助深度学习的进展，近期工作探索了用于通过色差编码深度信息的数据驱动衍射光学元件（DOE）设计。然而，与二值CA或CCA相比，DOE制造成本更高且需要高精度设备。不同于以往采用少量基本颜色的基于CCA的方法，本工作提出一种具有更多颜色滤波器和更丰富光谱信息的CCA，以在单次快照中对相关深度信息进行光学编码。此外，我们提出联合学习彩色编码孔径（CCA）图案和卷积神经网络（CNN），通过端到端优化方法恢复深度信息。我们在三个不同数据集上的多种实验表明，所设计的颜色编码有潜力消除深度模糊，并提供优于最先进方法的深度估计。此外，我们使用照相胶片构建了CCA的低成本原型，并在真实场景中验证了所提方法。
引用
@article{arxiv.2309.08033,
title = {Depth Estimation from a Single Optical Encoded Image using a Learned Colored-Coded Aperture},
author = {Jhon Lopez and Edwin Vargas and Henry Arguello},
journal= {arXiv preprint arXiv:2309.08033},
year = {2023}
}