OccCasNet:用于光场深度估计的遮挡感知级联代价体
计算机视觉与模式识别
2023-05-30 v1
摘要
光场(LF)深度估计是一项具有众多实际应用的关键任务。然而,基于多视立体(MVS)的主流方法需构建更精细代价体,因而资源密集且耗时。为解决此问题并在精度与效率间取得更好权衡,我们提出一种用于 LF 深度(视差)估计的遮挡感知级联代价体。我们的级联策略在构建更精细代价体时保持采样间隔恒定并减少采样数。我们还引入遮挡图以提升遮挡感知代价体构建的精度。具体而言,我们首先通过粗视差估计网络获得粗视差图。随后,基于初始视差图将侧视的子孔径图像(SAIs)扭曲至中心视。接着,我们提出扭曲 SAIs 与中心 SAI 间的光度一致性约束,为各 SAI 生成遮挡图。最后,我们引入粗视差图与遮挡图构建遮挡感知精炼代价体,使精炼视差估计网络产出更精确视差图。大量实验证明了方法的有效性。与 SOTA 方法相比,我们的方法在精度与效率间取得更优平衡,并在 HCI 4D 基准上已发表方法中以 MSE 与 Q25 指标位居第一。所提方法的代码与模型见于 https://github.com/chaowentao/OccCasNet。
引用
@article{arxiv.2305.17710,
title = {OccCasNet: Occlusion-aware Cascade Cost Volume for Light Field Depth Estimation},
author = {Wentao Chao and Fuqing Duan and Xuechun Wang and Yingqian Wang and Guanghui Wang},
journal= {arXiv preprint arXiv:2305.17710},
year = {2023}
}