用于无透镜相机的展开式原始对偶网络
计算机视觉与模式识别
2022-12-21 v1 图像与视频处理
摘要
无透镜相机的传统图像重建模型通常假设每次测量源于给定场景与单个实验测得的 Point-Spread Function 的卷积。这些图像重建模型不足以真实模拟无透镜相机，因为它们不够精细，无法解释光学像差或具有深度变化的场景。我们的工作表明，学习一种有监督的原始对偶重建方法可在不要求大网络容量的前提下达到文献中最先进的图像质量。这一改进源于我们的首要发现：在学习的原始对偶优化框架中嵌入可学习的前向与伴随模型，甚至能比未对模型误差进行校正的工作提升重建图像质量（+5dB PSNR）。此外，我们构建了一个使用伪随机相位掩模的概念验证无透镜相机原型以证明我们的观点。最后，我们基于一个开放数据集和来自我们概念验证无透镜相机原型的数据集，分享了对我们学习模型的广泛评估。
引用
@article{arxiv.2203.04353,
title = {Unrolled Primal-Dual Networks for Lensless Cameras},
author = {Oliver Kingshott and Nick Antipa and Emrah Bostan and Kaan Akşit},
journal= {arXiv preprint arXiv:2203.04353},
year = {2022}
}
备注
8 pages, 5 figures, not published at any conference