概括
本研究引入了一种用于从光场数据中恢复全分辨率 (FR) 图像的新方法. 该技术将空间移位变量降解内核嵌入到神经网络中,改善图像质量.
科学领域:
- 计算成像技术的成像
- 光学和光子学 在光学和光子学.
- 计算机视觉 计算机视觉
背景情况:
- 由于传感器的局限性,光场 (LF) 成像系统本质上会取消空间和角度分辨率.
- 目前用于增强亚光圈图像 (SAI) 解析度的现有方法往往忽视了LF数据的空间转移变量性质.
- 从LF数据恢复全分辨率 (FR) 图像仍然是一个重大挑战.
研究的目的:
- 为LF成像系统提出一种新的FR图像恢复方法.
- 通过考虑空间转移变量特征来解决当前方法的局限性.
- 开发一个能够有效地从退化LF数据中恢复高分辨率图像的网络.
主要方法:
- 使用标量衍射理论推导出一个明确的卷积模型来计算系统响应和成像矩阵.
- 建立了一个从FR图像到SAI的映射,使用空间转移变量降解 (SSVD) 内核.
- 将SSVD内核嵌入到神经网络中,具有专门的SSVD卷积层和改进块.
主要成果:
- 拟议的网络在恢复FR图像方面表现出优异的性能,与模拟和现实世界LF数据的现有方法相比.
- SSVD卷积层有效地处理视图智能的退化,并加速训练.
- 精细化块成功地保存了复杂的图像细节.
结论:
- 开发的方法通过结合SSVD内核,有效地从LF数据中恢复高质量的FR图像.
- 网络能够处理转移变量退化,这在LF图像恢复方面取得了重大进展.
- 该方法强大,适用于各种成像条件,包括多焦场景.
