EPINET：一种利用对极几何从光场图像估计深度的全卷积神经网络
计算机视觉与模式识别
2018-04-09 v1
摘要
光场相机捕获空间中光线的空间与角度属性。由于其特性，人们可以在非受控光照环境下从光场计算深度，这是相对于主动式传感设备的巨大优势。由光场计算的深度可用于许多应用，包括三维建模与重聚焦。然而，手持相机所得光场图像的基线非常窄且带有噪声，使得深度估计十分困难。已有许多方法被提出以克服光场深度估计的这些局限，但这些方法在精度与速度之间存在明显的权衡。本文中，我们提出一种基于全卷积神经网络的快速且准确的光场深度估计方法。我们的网络在设计时考虑了对极几何，并且我们还通过提出光场特定的数据增强方法来克服训练数据的缺乏。我们在 HCI 4D 光场基准的大多数指标上取得了排名第一，并且还在真实世界光场图像上展示了所提方法的有效性。
引用
@article{arxiv.1804.02379,
title = {EPINET: A Fully-Convolutional Neural Network Using Epipolar Geometry for Depth from Light Field Images},
author = {Changha Shin and Hae-Gon Jeon and Youngjin Yoon and In So Kweon and Seon Joo Kim},
journal= {arXiv preprint arXiv:1804.02379},
year = {2018}
}
备注
Accepted to CVPR 2018, Total 10 pages