基于直接优化的景深恢复
计算机视觉与模式识别
2026-02-27 v2
摘要
尽管基于光学物理学的模糊前向模型相当合理，但从一组受视差模糊的图像中恢复景深仍是一个计算具有挑战性的优化问题。本文表明，借助当代优化方法和合理的计算资源，基于全局优化的景深恢复是可行的。我们的方法基于交替最小化。当保持景深图固定时，前向模型相对于 all-in-focus 图像是线性的。当保持 all-in-focus 图像固定时，每个像素的景深可以独立计算，从而实现 embarrassingly parallel 的计算。我们表明，交替进行凸优化和并行网格搜索可有效求解高于当前深度学习方法的分辨率下的景深-视差问题。我们在包含合成和真实视差模糊的基准数据集上演示了该方法，并与先前方法相比较，取得了有前景的结果。我们的代码已在 github.com/hollyjackson/dfd 上提供。
引用
@article{arxiv.2602.18509,
title = {Depth from Defocus via Direct Optimization},
author = {Holly Jackson and Caleb Adams and Ignacio Lopez-Francos and Benjamin Recht},
journal= {arXiv preprint arXiv:2602.18509},
year = {2026}
}