面向真实世界光场超分辨率
计算机视觉与模式识别
2023-05-31 v1 图像与视频处理
摘要
深度学习为光场超分辨率（SR）开辟了新可能，但现有在具有简单退化（如双三次下采样）的合成数据集上训练的方法，在应用于复杂真实世界场景时性能不佳。为解决此问题，我们引入了LytroZoom，这是首个真实世界光场SR数据集，使用Lytro ILLUM相机捕获多样室内外场景的成对低分辨率和高分辨率光场。此外，我们提出了全频投影网络（OFPNet），该网络分解全频分量并通过频率投影操作迭代增强，以应对所有频率分量中存在的空间可变退化过程。实验表明，在LytroZoom上训练的模型优于在合成数据集上训练的模型，并可泛化到不同内容和设备。定量与定性评估验证了OFPNet的优越性。我们相信本工作将启发未来真实世界光场SR的研究。
引用
@article{arxiv.2305.18994,
title = {Toward Real-World Light Field Super-Resolution},
author = {Zeyu Xiao and Ruisheng Gao and Yutong Liu and Yueyi Zhang and Zhiwei Xiong},
journal= {arXiv preprint arXiv:2305.18994},
year = {2023}
}
备注
CVPRW 2023