Robust 2.5D Feature Matching in Light Fields via A Learnable Parameterized Depth-Degraded Projection

Área de la Ciencia:

• Visión por Computadora
• Procesamiento de Imágenes
• Fotografía Computacional

Sus antecedentes:

• La coincidencia precisa de características de imágenes 2D se ve obstaculizada por la pérdida de información de la escena 3D.
• Los métodos existentes luchan con la ambigüedad de profundidad en las tareas de coincidencia de características.

Objetivo del estudio:

• Desarrollar una característica 2.5D novedosa para la coincidencia robusta y precisa de características de imágenes en visión por computadora.
• Abordar el desafío de la ambigüedad de profundidad en la coincidencia de características de campos de luz.

Principales métodos:

• Introdujo una característica 2.5D que aprovecha la disparidad de la Capa de Disparidad de Fourier (FDL) como proxy de profundidad.
• Propuso una proyección parametrizada degradada por profundidad para la transformación geométrica entre campos de luz.
• Desarrolló una red simple para estimar la matriz fundamental, el vector de traslación y el término de compensación de profundidad.

Principales resultados:

• La característica 2.5D reduce eficazmente la ambigüedad de profundidad sin una estimación explícita de la profundidad.
• Se logró una coincidencia de características precisa minimizando los errores de reproyección.
• Superó a los algoritmos existentes de coincidencia de características 2D y de campo de luz en un conjunto de datos público.

Conclusiones:

• El enfoque propuesto de coincidencia de características 2.5D ofrece una precisión y robustez superiores.
• La disparidad de campos de luz proporciona una señal valiosa para mejorar la coincidencia de características.
• El método demuestra avances significativos en aplicaciones de visión por computadora que requieren una localización precisa de características.