論文の概要: High-Order Residual Network for Light Field Super-Resolution
- arxiv url: http://arxiv.org/abs/2003.13094v1
- Date: Sun, 29 Mar 2020 18:06:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 13:58:24.349954
- Title: High-Order Residual Network for Light Field Super-Resolution
- Title（参考訳）: 光電界超解像のための高次残差ネットワーク
- Authors: Nan Meng, Xiaofei Wu, Jianzhuang Liu, Edmund Y. Lam
- Abstract要約: 可視光カメラは通常、異なる視点から情報を取得するために、SAIの空間分解能を犠牲にする。
そこで本稿では,光場から階層的に幾何学的特徴を学習するための新しい高次残差ネットワークを提案する。
提案手法は,挑戦的領域においても高品質な再構成が可能であり,定量化と視覚的評価の両面から,最先端の単一画像やLF再構成よりも優れる。
- 参考スコア（独自算出の注目度）: 39.93400777363467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Plenoptic cameras usually sacrifice the spatial resolution of their SAIs to
acquire geometry information from different viewpoints. Several methods have
been proposed to mitigate such spatio-angular trade-off, but seldom make use of
the structural properties of the light field (LF) data efficiently. In this
paper, we propose a novel high-order residual network to learn the geometric
features hierarchically from the LF for reconstruction. An important component
in the proposed network is the high-order residual block (HRB), which learns
the local geometric features by considering the information from all input
views. After fully obtaining the local features learned from each HRB, our
model extracts the representative geometric features for spatio-angular
upsampling through the global residual learning. Additionally, a refinement
network is followed to further enhance the spatial details by minimizing a
perceptual loss. Compared with previous work, our model is tailored to the rich
structure inherent in the LF, and therefore can reduce the artifacts near
non-Lambertian and occlusion regions. Experimental results show that our
approach enables high-quality reconstruction even in challenging regions and
outperforms state-of-the-art single image or LF reconstruction methods with
both quantitative measurements and visual evaluation.
- Abstract（参考訳）: plenopticカメラは通常、異なる視点から幾何学情報を取得するためにサイスの空間分解能を犠牲にする。
このような空間角トレードオフを緩和するいくつかの方法が提案されているが、光場(LF)データの構造特性を効率的に利用することはめったにない。
本稿では,LFから階層的に幾何学的特徴を学習するための新しい高次残差ネットワークを提案する。
提案ネットワークの重要な構成要素は高次残差ブロック (hrb) であり、全ての入力ビューからの情報を考慮し、局所的な幾何学的特徴を学習する。
各hrbから得られた局所的な特徴を十分に把握した後,全球残差学習を通じて空間-三角形のアップサンプリングのための代表的な幾何学的特徴を抽出した。
さらに、知覚的損失を最小化して空間的詳細をさらに高めるために、精細化ネットワークが続く。
従来の研究と比較すると、我々のモデルはLFに固有のリッチな構造に合わせて調整されており、非ランベルト的領域や閉塞領域に近いアーティファクトを削減できる。
実験結果から, 挑戦地域においても高品質な再建が可能であり, 定量的評価と視覚的評価の両面から, 最先端の単一画像やLF再構成法よりも優れていた。
関連論文リスト
- NeuSurf: On-Surface Priors for Neural Surface Reconstruction from Sparse
Input Views [41.03837477483364]
本研究では,表面の高度に忠実な再構成を実現するために,地上の事前情報を活用する新しいスパース・ビュー・リコンストラクション・フレームワークを提案する。
具体的には,大域的幾何アライメントと局所的幾何洗練に関するいくつかの制約を設計し,粗い形状と細部を協調的に最適化する。
DTUとBlendedMVSデータセットによる2つの一般的なスパース設定の実験結果は、最先端の手法よりも大幅に改善されたことを示している。
論文 参考訳（メタデータ） (2023-12-21T16:04:45Z) - Anti-Aliased Neural Implicit Surfaces with Encoding Level of Detail [54.03399077258403]
本稿では,高頻度幾何細部リカバリとアンチエイリアス化された新しいビューレンダリングのための効率的なニューラル表現であるLoD-NeuSを提案する。
我々の表現は、光線に沿った円錐状のフラストラム内の多面体化から空間特徴を集約する。
論文 参考訳（メタデータ） (2023-09-19T05:44:00Z) - SST-ReversibleNet: Reversible-prior-based Spectral-Spatial Transformer
for Efficient Hyperspectral Image Reconstruction [15.233185887461826]
Reversible-prior-based methodと呼ばれる新しいフレームワークが提案されている。
ReversibleNetは、シミュレートされた実HSIデータセットの最先端メソッドよりも大幅に優れています。
論文 参考訳（メタデータ） (2023-05-06T14:01:02Z) - GARF:Geometry-Aware Generalized Neural Radiance Field [47.76524984421343]
本稿では,GADS(Geometry-Aware Generalized Neural Radiance Field)戦略を用いたGARF(Geometry-Aware Generalized Neural Radiance Field)を提案する。
筆者らのフレームワークは,画素スケールと幾何学スケールの両方において,わずかに入力画像で見えないシーンを推測する。
屋内および屋外のデータセットの実験では、GARFはレンダリング品質と3次元幾何推定を改善しながら、サンプルを25%以上削減している。
論文 参考訳（メタデータ） (2022-12-05T14:00:59Z) - MonoSDF: Exploring Monocular Geometric Cues for Neural Implicit Surface
Reconstruction [72.05649682685197]
最先端のニューラル暗黙法は、多くの入力ビューから単純なシーンの高品質な再構築を可能にする。
これは主に、十分な制約を提供していないRGB再構築損失の固有の曖昧さによって引き起こされる。
近年の単分子形状予測の分野での進歩に触発され, ニューラルな暗黙的表面再構成の改善にこれらの方法が役立つかを探究する。
論文 参考訳（メタデータ） (2022-06-01T17:58:15Z) - Geo-Neus: Geometry-Consistent Neural Implicit Surfaces Learning for
Multi-view Reconstruction [41.43563122590449]
多視点再構成のための幾何一貫性のあるニューラルサーフェス学習を提案する。
提案手法は, 複雑な薄板構造と大きな平滑領域の両方において, 高品質な表面再構成を実現する。
論文 参考訳（メタデータ） (2022-05-31T14:52:07Z) - Light Field Reconstruction Using Convolutional Network on EPI and
Extended Applications [78.63280020581662]
スパースビューからの光場再構成のための新しい畳み込みニューラルネットワーク(CNN)ベースのフレームワークを開発した。
最先端のアルゴリズムと比較して,提案フレームワークの高性能と堅牢性を実証する。
論文 参考訳（メタデータ） (2021-03-24T08:16:32Z) - Light Field Spatial Super-resolution via Deep Combinatorial Geometry
Embedding and Structural Consistency Regularization [99.96632216070718]
ハンドヘルドデバイスが取得した光フィールド(LF)画像は通常、空間分解能の低下に悩まされる。
LF画像の高次元空間特性と複雑な幾何学構造は、従来の単一像SRよりも問題をより困難にしている。
本稿では,LF画像の各ビューを個別に超解答する新しい学習ベースLFフレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-05T14:39:57Z) - Spatial-Spectral Residual Network for Hyperspectral Image
Super-Resolution [82.1739023587565]
ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。
提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。
各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
論文 参考訳（メタデータ） (2020-01-14T03:34:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。