可学习分数反应扩散动力学用于Under-Display ToF成像及其应用
计算机视觉与模式识别
2025-11-04 v1
摘要
Under-display ToF成像旨在通过置于屏幕面板下方的ToF相机实现准确的深度感知。然而，透明OLED(TOLED)层会引入严重的退化现象，如信号衰减、多路径干扰(MPI)和时序噪声，显著损害深度质量。为缓解此缺陷，我们提出了可学习分数反应扩散动力学(LFRD2)，一种融合神经网络表达力与物理建模可解释性的混合框架。具体而言，我们实现了一个时间分数反应扩散模块， enables 动态生成微分阶数以进行迭代深度细化，捕捉长期依赖关系。此外，我们通过系数预测和重复微分引入高效的连续卷积算子，以进一步提高恢复质量。在四个基准数据集上的实验表明，我们方法的有效性。代码已公开于https://github.com/wudiqx106/LFRD2。
引用
@article{arxiv.2511.01704,
title = {Learnable Fractional Reaction-Diffusion Dynamics for Under-Display ToF Imaging and Beyond},
author = {Xin Qiao and Matteo Poggi and Xing Wei and Pengchao Deng and Yanhui Zhou and Stefano Mattoccia},
journal= {arXiv preprint arXiv:2511.01704},
year = {2025}
}