論文の概要: Deep Spectral Epipolar Representations for Dense Light Field Reconstruction
- arxiv url: http://arxiv.org/abs/2508.08900v2
- Date: Sat, 04 Oct 2025 14:56:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-07 14:28:10.483982
- Title: Deep Spectral Epipolar Representations for Dense Light Field Reconstruction
- Title（参考訳）: 密度光場再構成のための深部スペクトルエピポーラ表現法
- Authors: Noor Islam S. Mohammad,
- Abstract要約: 本稿では,高密度光場再構成のための新しいDEP(Deep Spectral Epipolar Representation)フレームワークを提案する。
提案手法は、エピポーラ平面画像間の周波数領域相関を利用して、大域構造コヒーレンスを強制する。
4D光場ベンチマークと様々な実世界のデータセットの実験により、DSERは精度、構造的整合性、計算効率の点で優れた性能を発揮することが示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate and efficient dense depth reconstruction from light field imagery remains a central challenge in computer vision, underpinning applications such as augmented reality, biomedical imaging, and 3D scene reconstruction. Existing deep convolutional approaches, while effective, often incur high computational overhead and are sensitive to noise and disparity inconsistencies in real-world scenarios. This paper introduces a novel Deep Spectral Epipolar Representation (DSER) framework for dense light field reconstruction, which unifies deep spectral feature learning with epipolar-domain regularization. The proposed approach exploits frequency-domain correlations across epipolar plane images to enforce global structural coherence, thereby mitigating artifacts and enhancing depth accuracy. Unlike conventional supervised models, DSER operates efficiently with limited training data while maintaining high reconstruction fidelity. Comprehensive experiments on the 4D Light Field Benchmark and a diverse set of real-world datasets demonstrate that DSER achieves superior performance in terms of precision, structural consistency, and computational efficiency compared to state-of-the-art methods. These results highlight the potential of integrating spectral priors with epipolar geometry for scalable and noise-resilient dense light field depth estimation, establishing DSER as a promising direction for next-generation high-dimensional vision systems.
- Abstract（参考訳）: 光画像からの高精度で効率的な深度再構成は、拡張現実、バイオメディカルイメージング、三次元シーン再構成などの応用を支えるコンピュータビジョンにおける中心的な課題である。
既存の深い畳み込みアプローチは有効であるが、しばしば高い計算オーバーヘッドを引き起こし、現実のシナリオにおけるノイズや不一致に敏感である。
本稿では、高密度光場再構成のための新しいディープスペクトルエピポーラ表現(DSER)フレームワークを紹介し、エピポーラ領域正規化によるディープスペクトル特徴学習を統一する。
提案手法は、エピポーラ平面画像間の周波数領域相関を利用して、大域的な構造コヒーレンスを強制し、アーティファクトを緩和し、深さ精度を向上させる。
従来の教師付きモデルとは異なり、DSERは高い再現率を維持しながら、限られたトレーニングデータで効率的に動作している。
4D光場ベンチマークと様々な実世界のデータセットの総合的な実験により、DSERは最先端の手法と比較して精度、構造的整合性、計算効率の点で優れた性能を発揮することが示された。
これらの結果は、拡張性および雑音耐性の高い高密度光界深度推定のためのエピポーラ幾何とスペクトル先駆体を統合する可能性を強調し、DSERを次世代高次元視覚システムにとって有望な方向として確立する。
関連論文リスト
- DepthFM: Fast Monocular Depth Estimation with Flow Matching [22.206355073676082]
現在の識別的深さ推定法は、しばしばぼやけた人工物を生成するが、生成的アプローチはノイズ・ツー・ディープ・トランスポートの曲率によるサンプリングが遅い。
本手法は,画像と深度分布間の直接輸送として深度推定をフレーミングすることで,これらの課題に対処する。
提案手法は, 複雑な自然シーンの標準ベンチマークにおいて, サンプリング効率を向上し, 学習に最小限の合成データしか必要とせず, 競争力のあるゼロショット性能を実現する。
論文 参考訳（メタデータ） (2024-03-20T17:51:53Z) - EndoDepthL: Lightweight Endoscopic Monocular Depth Estimation with
CNN-Transformer [0.0]
我々は,CNNとTransformerを統合してマルチスケール深度マップを推定する,EndoDepthLという新しい軽量ソリューションを提案する。
提案手法は,ネットワークアーキテクチャの最適化,マルチスケール拡張畳み込み,マルチチャネルアテンション機構の導入を含む。
内視鏡画像における単眼深度推定の性能をよりよく評価するために,新しい複雑性評価指標を提案する。
論文 参考訳（メタデータ） (2023-08-04T21:38:29Z) - DARF: Depth-Aware Generalizable Neural Radiance Field [51.29437249009986]
本稿では,Depth-Aware Dynamic Smpling(DADS)戦略を用いたDARF(Depth-Aware Generalizable Neural Radiance Field)を提案する。
筆者らのフレームワークは,数枚の入力画像で,画素レベルと幾何学レベルの両方の見えないシーンを推測する。
DARFは、最先端の一般化可能なNeRF法と比較して、レンダリング品質と深さ推定を改善しつつ、サンプルを50%削減する。
論文 参考訳（メタデータ） (2022-12-05T14:00:59Z) - 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) - Low-light Image Enhancement by Retinex Based Algorithm Unrolling and
Adjustment [50.13230641857892]
本稿では,低照度画像強調(LIE)問題に対する新たなディープラーニングフレームワークを提案する。
提案フレームワークは,大域的明るさと局所的明るさ感度の両方を考慮したアルゴリズムアンロールと調整ネットワークに着想を得た分解ネットワークを含む。
一連の典型的なLIEデータセットの実験では,既存の手法と比較して,定量的かつ視覚的に,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2022-02-12T03:59:38Z) - A Bayesian Based Deep Unrolling Algorithm for Single-Photon Lidar
Systems [4.386694688246789]
現実の応用における3次元単光子ライダーイメージングは、高騒音環境におけるイメージングを含む複数の課題に直面している。
統計や学習に基づくフレームワークに基づいて,これらの問題に対処するアルゴリズムが提案されている。
本稿では,統計的ベイズアルゴリズムを単一光子ライダーデータから頑健な画像再構成のための新しいディープラーニングアーキテクチャに展開する。
論文 参考訳（メタデータ） (2022-01-26T12:58:05Z) - Deep Unrolled Recovery in Sparse Biological Imaging [62.997667081978825]
ディープ・アルゴリズム・アンローリング(Deep Algorithm Unrolling)は、反復的アルゴリズムの解釈可能性と教師付きディープラーニングの性能向上を組み合わせたディープ・アーキテクチャを開発するためのモデルベースのアプローチである。
この枠組みは生体イメージングの応用に適しており、測定プロセスを記述する物理モデルが存在し、回復すべき情報がしばしば高度に構造化されている。
論文 参考訳（メタデータ） (2021-09-28T20:22:44Z) - 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) - Uncalibrated Neural Inverse Rendering for Photometric Stereo of General
Surfaces [103.08512487830669]
本稿では,測光ステレオ問題に対する無補間深層ニューラルネットワークフレームワークを提案する。
既存のニューラルネットワークベースの方法は、物体の正確な光方向または接地正則のいずれかまたは両方を必要とします。
本稿では,この問題に対する未調整の神経逆レンダリング手法を提案する。
論文 参考訳（メタデータ） (2020-12-12T10:33:08Z) - Depth image denoising using nuclear norm and learning graph model [107.51199787840066]
グループベース画像復元法は,パッチ間の類似性収集に有効である。
各パッチに対して、検索ウィンドウ内で最もよく似たパッチを見つけ、グループ化する。
提案手法は, 主観的, 客観的両面において, 最先端の復調法よりも優れている。
論文 参考訳（メタデータ） (2020-08-09T15:12:16Z)
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。