现实世界的光场图像超分辨率通过降解调制

科学领域:

• 计算机视觉 计算机视觉
• 图像处理 图像处理
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 深度神经网络 (DNN) 具有先进的光场 (LF) 图像超分辨率 (SR).
• 现有的基于DNN的LF-SR方法仅限于单个,固定的降解,在具有不同质量的真实世界图像上失败.
• 需要LF-SR方法能够对各种各样的现实世界图像退化产生强大影响.

研究的目的:

• 开发一种用于现实世界LF图像超分辨率 (SR) 的新方法,解决现有方法的局限性.
• 创建一个实用的LF降解模型,用于制定现实世界的LF图像降解过程.
• 设计一个卷积神经网络 (CNN),能够处理各种降解,同时保留空间和角度信息.

主要方法:

• 开发了一个实用的LF降解模型来模拟现实世界的LF图像降解.
• 一个CNN的设计是为了将退化先验集成到SR过程中.
• 该网络使用制定的降解模型对LF图像进行了训练,使其能够适应各种降解类型.

主要成果:

• 拟议的方法在合成降解和现实世界LF图像上都表现出卓越的SR性能.
• 与最先进的技术相比,该方法在现实世界LF图像上实现了更好的概括能力.
• 实验结果证实了网络在调节不同降解的有效性,同时利用空间和角度信息.

结论:

• 开发的方法为现实世界LF图像超分辨率提供了有效的解决方案,跨越了广泛的降解范围.
• 该方法可以很好地将其推广到现实世界LF图像中,优于现有的单个和LF图像SR方法.
• 拟议的LF降解模型和CNN架构为解决各种LF图像质量问题提供了强大的框架.