FlatNet：从无透镜测量中实现逼真场景重建

无透镜成像通过摒弃传统相机中的 bulky 镜头，已成为实现超微型相机的潜在方案。若无聚焦镜头，无透镜相机依赖计算算法从复用测量中恢复场景。然而，当前基于迭代优化的重建算法产生噪声更大且感知质量更差的图像。本工作中，我们提出一种基于非迭代深度学习（deep learning）的重建方法，使无透镜重建的图像质量获得数量级提升。我们的方法称为 $\textit{FlatNet}$，为从基于掩膜的无透镜相机（其前向模型公式已知）重建高质量逼真图像建立了框架。FlatNet 包含两个阶段：（1）反演阶段，通过学习前向模型公式中的参数将测量映射至中间重建空间；（2）感知增强阶段，提升该中间重建的感知质量。这些阶段以端到端方式联合训练。我们利用两类不同的无透镜原型——一种采用可分离前向模型，另一种采用更通用的不可分离裁剪卷积模型——在真实且具挑战性的场景上开展大量实验，展示了高质量重建。我们的端到端方法快速、产生逼真重建，且易于适配其他基于掩膜的无透镜相机。