用于光场压缩的基于学习的时间和角度信息分离

光场是一种图像数据，通过记录场景从不同方向发射的光线来捕获空间和角度场景信息。在此背景下，空间信息被定义为无论视角如何都保持静态的特征，而角度信息指的是在视点之间变化的特征。我们提出了一种新颖的神经网络，其设计上可以分离光场的角信息和空间信息。该网络使用在所有子孔径图像（SAI）间共享的空间核来表示空间信息，并使用每个 SAI 的一组角度核来表示角度信息。为了在不增加参数数量的情况下进一步提高网络的表示能力，我们还引入了角度核分配和核张量分解机制。大量实验证明了信息分离的好处：当应用于压缩任务时，我们的网络大幅优于其他最先进的方法。并且角度信息可以轻松转移到其他场景以渲染密集视图，显示了成功的分离以及视图合成任务的潜在用例。我们计划在论文被接收后发布代码以鼓励对该主题的进一步研究。