基于多尺度方向膨胀拉普拉斯和循环网络的鲁棒焦点法估计深度

焦点法（SFF）是一种被动深度估计技术，通过分析焦栈中焦点变化来推断场景深度。大多数最新的基于深度学习的SFF方法通常以两个阶段运行：首先，使用重型特征编码器提取焦点体（每个像素的焦点可能性在焦栈中的表示）；然后，通过简单的单步骤聚合技术估计深度，常导致引入伪影并放大深度图中的噪声。为解决这些问题，我们提出了一种混合框架。该方法传统地使用手工制作的多尺度方向膨胀拉普拉斯（DDL）核提取焦点体，这些核捕获长程和方向性的焦点变化，以形成稳健的焦点体。然后，将这些焦点体输入轻量级、多尺度基于GRU的深度提取模块，以计算效率，迭代细化较低分辨率的初始深度估计。最后， our recurrent network 中的一个学习的凸 Upsampling 模块在保持细节和锐利边界的同时重建高分辨率深度图。在合成数据和真实世界数据集上的大量实验表明，我们的方法优于基于深度学习和传统方法的状态-of-the-art 方法，实现了在多样化焦点条件下的卓越精度和更好的泛化能力。