面向最小焦栈的聚焦形状深度重建

聚焦形状（SFF）是一种深度重建技术，它通过估计焦栈中观察到的焦点变化来估计场景结构，焦栈即是在不同焦点设置下捕获的图像序列。SFF方法的一个关键限制是它们依赖密集采样的大焦栈，这限制了其实际应用。在本研究中，我们提出了一种焦栈增强方法，使SFF方法能够使用仅包含两幅图像的缩减焦栈来估计深度，而不会牺牲精度。我们引入了一种简单而有效的基于物理的焦栈增强方法，通过两幅输入图像估计全聚焦（AiF）图像，并计算差分能量（EOD）图，即AiF与输入图像之间差分的能量。此外，我们提出了一种深度网络，从增强焦栈中计算深度焦点体积，并通过多尺度的卷积门控循环单元（ConvGRU）迭代优化深度。在合成和真实世界数据集上的广泛实验表明，所提出的增强方法使现有的最先进SFF模型受益，使它们能够达到可比的准确率。结果还表明，我们的方法在最小焦栈规模下保持了最先进性能。