利用极平面图像的自监督光场深度估计
计算机视觉与模式识别
2022-03-30 v1
摘要
利用光场数据可获取稠密且准确的深度图。然而，视差范围有限的合成场景无法包含真实场景的多样性。通过在合成数据上训练，当前基于学习的方法在真实场景中表现不佳。本文提出一种用于光场深度估计的自监督学习框架。不同于现有使用逐像素视差标签的端到端训练方法，我们的方法通过重聚焦后估计极平面图像（EPI）视差偏移来实现网络训练，从而扩展了极线的视差范围。为降低 EPI 对噪声的敏感性，我们提出一种称为 EPI-Stack 的新输入模式，其在视角维度上堆叠 EPI。该方法比传统输入模式对噪声场景更不敏感，并提升了估计效率。与其他最优（state-of-the-art）方法相比，所提方法在真实场景尤其是复杂遮挡与深度不连续处亦能获得更高质量结果。
引用
@article{arxiv.2203.15171,
title = {Self-Supervised Light Field Depth Estimation Using Epipolar Plane Images},
author = {Kunyuan Li and Jun Zhang and Jun Gao and Meibin Qi},
journal= {arXiv preprint arXiv:2203.15171},
year = {2022}
}