学习跳出框框思考：基于 EPI-Shift 的宽基线光场深度估计
计算机视觉与模式识别
2019-09-20 v1 图形学
摘要
我们提出了一种基于全卷积神经网络架构的光场数据深度估计方法。我们的目标是设计一个流程，能够对窄基线和宽基线光场都实现高精度的结果。由于光场训练数据稀缺，所有基于学习的方法都使用小的感受野并在小的视差范围内操作。为了处理宽基线光场，我们引入了 EPI-Shift 的思想：虚拟地移动光场堆栈，从而能够保留小的感受野，而不依赖于视差范围。通过这种方式，我们的方法“学会了跳出感受野的框框思考”。我们的网络执行整数视差的联合分类和视差偏移的回归。U-Net 组件提供了出色的长程平滑。EPI-Shift 显著优于最先进的基于学习的方法，并与手工设计的方法性能相当。我们在一个公开可用的合成小基线基准数据集和宽基线真实世界记录上证明了这一点。
引用
@article{arxiv.1909.09059,
title = {Learning to Think Outside the Box: Wide-Baseline Light Field Depth Estimation with EPI-Shift},
author = {Titus Leistner and Hendrik Schilling and Radek Mackowiak and Stefan Gumhold and Carsten Rother},
journal= {arXiv preprint arXiv:1909.09059},
year = {2019}
}
备注
Published at International Conference on 3D Vision (3DV) 2019