論文の概要: Fast Disparity Estimation from a Single Compressed Light Field
Measurement
- arxiv url: http://arxiv.org/abs/2209.11342v1
- Date: Thu, 22 Sep 2022 22:59:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 17:06:45.703122
- Title: Fast Disparity Estimation from a Single Compressed Light Field
Measurement
- Title(参考訳): 単一圧縮光場測定による高速不等式推定
- Authors: Emmanuel Martinez, Edwin Vargas and Henry Arguello
- Abstract要約: 本稿では,従来の手法で要求される回復ステップを省略し,単一の圧縮測定値から高速な不均一度推定手法を提案する。
提案手法は、深層学習手法を用いて再構成した光場から得られるものと同等の差分マップを推定する。
- 参考スコア(独自算出の注目度): 19.038169005589392
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The abundant spatial and angular information from light fields has allowed
the development of multiple disparity estimation approaches. However, the
acquisition of light fields requires high storage and processing cost, limiting
the use of this technology in practical applications. To overcome these
drawbacks, the compressive sensing (CS) theory has allowed the development of
optical architectures to acquire a single coded light field measurement. This
measurement is decoded using an optimization algorithm or deep neural network
that requires high computational costs. The traditional approach for disparity
estimation from compressed light fields requires first recovering the entire
light field and then a post-processing step, thus requiring long times. In
contrast, this work proposes a fast disparity estimation from a single
compressed measurement by omitting the recovery step required in traditional
approaches. Specifically, we propose to jointly optimize an optical
architecture for acquiring a single coded light field snapshot and a
convolutional neural network (CNN) for estimating the disparity maps.
Experimentally, the proposed method estimates disparity maps comparable with
those obtained from light fields reconstructed using deep learning approaches.
Furthermore, the proposed method is 20 times faster in training and inference
than the best method that estimates the disparity from reconstructed light
fields.
- Abstract(参考訳): 光場からの豊富な空間的および角的情報により、複数の異なる推定手法の開発が可能となった。
しかし、光フィールドの取得には高いストレージと処理コストが必要であり、実用化にはこの技術の使用が制限される。
これらの欠点を克服するために、圧縮センシング(CS)理論は、光アーキテクチャの開発で単一の符号付き光場測定ができるようになった。
この測定は、高い計算コストを必要とする最適化アルゴリズムまたはディープニューラルネットワークを使用してデコードされる。
圧縮光場からの不均一性推定を行う従来の手法は、まず光場全体を回復し、次に後処理のステップを必要とするため、長い時間を要する。
対照的に,本研究では,従来の手法で要求される回復ステップを省略し,単一の圧縮測定値から高速な不均一性推定を提案する。
具体的には,単一符号化光フィールドスナップショットと畳み込みニューラルネットワーク(cnn)を取得するための光学アーキテクチャを共同で最適化し,異種マップを推定することを提案する。
提案手法は, 深層学習手法を用いて再構成した光場と同等の差分マップを推定する。
さらに, 提案手法は, 再構成光場からの距離を推定する最良の手法よりも, トレーニングや推論において20倍高速である。
関連論文リスト
- Robust Optical Flow Computation: A Higher-Order Differential Approach [0.0]
本研究は,2次テイラー級数近似の高精度化を利用して,光フロー計算のための革新的なアルゴリズムを提案する。
KITTIやMiddleburyのような光学フローベンチマークのパフォーマンスによって、アルゴリズムの機能を示す印象的な例が現れる。
論文 参考訳(メタデータ) (2024-10-12T15:20:11Z) - Generalizable Non-Line-of-Sight Imaging with Learnable Physical Priors [52.195637608631955]
非視線画像(NLOS)は、その潜在的な応用により注目されている。
既存のNLOS再構成アプローチは、経験的物理的前提に依存して制約される。
本稿では,Learningable Path Compensation(LPC)とAdaptive Phasor Field(APF)の2つの主要な設計を含む,学習に基づく新しいソリューションを提案する。
論文 参考訳(メタデータ) (2024-09-21T04:39:45Z) - Light Field Compression Based on Implicit Neural Representation [10.320292226135306]
本稿では,暗黙的ニューラル表現に基づく新しい光場圧縮手法を提案し,ビュー間の冗長性を低減した。
ニューラルネットワークに暗黙的に光画像の情報を格納し、暗黙の表現をさらに圧縮するためにモデル圧縮手法を採用する。
論文 参考訳(メタデータ) (2024-05-07T12:17:46Z) - TensoIR: Tensorial Inverse Rendering [51.57268311847087]
テンソルIRはテンソル分解とニューラルフィールドに基づく新しい逆レンダリング手法である。
TensoRFは、放射場モデリングのための最先端のアプローチである。
論文 参考訳(メタデータ) (2023-04-24T21:39:13Z) - Mode structure reconstruction by detected and undetected light [0.0]
マルチモード光電場再構成のための新しい手法を提案する。
本手法は,$g(K)$'sのみに基づいて得られた手法に対して,高忠実度モード再構成を行うことを示した。
本手法の信頼性と汎用性は,光量子計測の実応用に広く応用するのに適している。
論文 参考訳(メタデータ) (2022-12-28T15:46:45Z) - A Fast Alternating Minimization Algorithm for Coded Aperture Snapshot
Spectral Imaging Based on Sparsity and Deep Image Priors [8.890754092562918]
Coded Aperture snapshot Spectrum Imaging (CASSI)は、3次元ハイパースペクトル画像(HSI)を再構成する技術である。
本稿では,自然画像の空間と深部画像の先行値(Fama-P)に基づいて,高速な変動最小化アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-06-12T03:29:14Z) - Self-Supervised Light Field Depth Estimation Using Epipolar Plane Images [13.137957601685041]
光深度推定のための自己教師付き学習フレームワークを提案する。
提案手法は,他の最先端手法と比較して,実世界のシナリオにおいて高品質な結果を得ることができる。
論文 参考訳(メタデータ) (2022-03-29T01:18:59Z) - NerfingMVS: Guided Optimization of Neural Radiance Fields for Indoor
Multi-view Stereo [97.07453889070574]
本稿では,従来のSfM再構成と学習に基づく先行手法を併用した多視点深度推定手法を提案する。
提案手法は室内シーンにおける最先端手法を著しく上回ることを示す。
論文 参考訳(メタデータ) (2021-09-02T17:54:31Z) - Dense Optical Flow from Event Cameras [55.79329250951028]
本稿では,イベントカメラからの高密度光フロー推定に特徴相関と逐次処理を導入することを提案する。
提案手法は、高密度光流を計算し、MVSEC上での終点誤差を23%削減する。
論文 参考訳(メタデータ) (2021-08-24T07:39:08Z) - Occlusion-aware Unsupervised Learning of Depth from 4-D Light Fields [50.435129905215284]
4次元光場処理と解析のための教師なし学習に基づく深度推定法を提案する。
光場データの特異な幾何学構造に関する基礎知識に基づいて,光場ビューのサブセット間の角度コヒーレンスを探索し,深度マップを推定する。
提案手法は,従来の手法と同等の精度で計算コストを低減した深度マップを作成できる。
論文 参考訳(メタデータ) (2021-06-06T06:19:50Z) - 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)
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。