LapEPI-Net：一种用于基于学习的稠密光场重建的拉普拉斯金字塔 EPI 结构
计算机视觉与模式识别
2019-02-19 v1
摘要
针对稠密采样光场（LF）重建问题，现有方法聚焦于无深度框架以实现非朗伯性能。然而，它们陷入“要么混叠要么模糊”的权衡困境，即预滤波混叠分量（由输入 LF 的角稀疏性引起）总会导致模糊结果。本文旨在通过基于学习的框架中精心设计的极平面图像（EPI）结构来解决这一挑战。具体而言，我们首先通过分析表明，降低 EPI 的空间尺度比简单采用预滤波更能高效解决混叠问题。据此，我们设计了一种拉普拉斯金字塔 EPI（LapEPI）结构，其同时包含低空间尺度 EPI（应对混叠）与高频残差（应对模糊），从而解决该权衡问题。随后，我们为 LapEPI 结构提出一种新颖的网络架构，称为 LapEPI-net。为确保非朗伯性能，我们采用迁移学习策略：先用自然图像预训练网络，再用非结构化 LF 微调。大量实验证明了所提方法在处理混叠或模糊问题以及非朗伯重建方面的高性能与鲁棒性。
引用
@article{arxiv.1902.06221,
title = {LapEPI-Net: A Laplacian Pyramid EPI structure for Learning-based Dense Light Field Reconstruction},
author = {Gaochang Wu and Yebin Liu and Lu Fang and Tianyou Chai},
journal= {arXiv preprint arXiv:1902.06221},
year = {2019}
}
备注
10 pages, 8 figures, 4 tables