学习使用多尺度受体场和特征金字塔网络去除光场图像中的遮蔽
Mostafa Farouk Senussi1,2, Mahmoud Abdalla1, Mahmoud SalahEldin Kasem1,3
1School of Information and Communication Engineering, Chungbuk National University, Cheongju, 28644, Republic of Korea.
Scientific reports
|October 22, 2025
概括
通过扩大神经网络的受体场,LF-PyrNet增强了光场 (LF) 图像中的遮去除. 这种新的深度学习模型有效地使用多级特征学习和基于金字塔的改进来重建封闭区域.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 图像处理 图像处理
背景情况:
- 在光场 (LF) 图像中去除遮蔽对于场景理解至关重要.
- 现有的方法受到小的受体场的限制,阻碍了远程依赖性捕获.
- 封闭地区的有效重建仍然是一个挑战.
研究的目的:
- 提出LF-PyrNet,一个端到端的深度学习模型,用于在LF图像中增强移除阻塞.
- 提高捕捉远程依赖和重建封闭区域的能力.
- 为了利用多规模的感受性现场学习和层次特征改进.
主要方法:
- 使用剩余体空间金字塔聚合 (ResASPP) 和受容场块 (RFB) 来扩大受容场的特征提取.
- 通过带有密集连接层的级联式残留密集块 (RDBs) 来重建封闭.
- 使用特征金字塔网络 (FPN) 和具有可分离/标准卷积的精炼模块的多尺度特征融合和精炼.
主要成果:
- 扩大的受体场显著提高了遮去除性能.
- LF-PyrNet展示了更广泛的背景和多尺度的空间依赖关系的有效捕捉.
- 在封闭区域实现了更好的结构一致性和纹理恢复.
结论:
- LF-PyrNet提供了一种可靠的解决方案,用于在LF图像中重建封闭区域.
- 拟议的架构有效地解决了受限受体场的局限性.
- 多尺度受感场学习是推动LF图像阻塞去除的关键.
