基于深度组合几何嵌入与结构一致性正则化的光场空间超分辨率
计算机视觉与模式识别
2020-04-07 v1 图像与视频处理
摘要
手持设备获取的光场（LF）图像通常空间分辨率较低，因为有限的采样资源必须与角维度共享。因此，LF 空间超分辨率（SR）成为光场相机处理流水线中不可或缺的一部分。LF 图像的高维特性与复杂几何结构使得该问题比传统单图像 SR 更具挑战性。现有方法的性能仍然有限，因为它们未能充分挖掘 LF 视图间的一致性，且不足以准确保留场景的视差结构。本文提出一种新颖的基于学习的 LF 空间 SR 框架，其中 LF 图像的每个视图首先通过组合几何嵌入挖掘视图间互补信息而单独进行超分辨率；为准确保留重建视图间的视差结构，随后附加一个在结构感知损失函数上训练的正则化网络，以对中间估计强制正确的视差关系。我们所提方法在包含大量合成与真实场景测试图像的数据集上进行了评估。实验结果表明，相较最先进的方法，我们的方法具有优势：即不仅平均 PSNR 提升超过 1.0 dB，还以更低计算成本保留了更精确的视差细节。
引用
@article{arxiv.2004.02215,
title = {Light Field Spatial Super-resolution via Deep Combinatorial Geometry Embedding and Structural Consistency Regularization},
author = {Jing Jin and Junhui Hou and Jie Chen and Sam Kwong},
journal= {arXiv preprint arXiv:2004.02215},
year = {2020}
}
备注
This paper was accepted by CVPR 2020