基于语义导向的光场图像深度估计.docx

基于语义导向的光场图像深度估计 本文关注于基于语义导向的光场图像深度估计，解决了传统方法中存在的计算复杂度高、速度慢的问题。通过引入语义信息，设计了一个基于语义感知模块的深度学习网络框架，该网络学习到充分的上下文信息，解决了深度估计中难以优化的不适定区域问题。 深度估计是计算机视觉领域的基础任务之一，精确的深度估计对计算机视觉领域的发展具有重要的意义。光场图像由于其特殊的光学结构，可以记录光线的强度和方向信息，为精确的光场深度估计提供了可能。然而，光场图像深度估计仍然面临着巨大的挑战，如空间分辨率和角度分辨率之间的权衡。 传统方法中，已经提出了许多方法来克服这些限制，如基于相移的亚像素多视角立体匹配算法、双边一致性度量、全局一致性标记算法等。但这些方法都存在计算复杂度高、速度慢的问题。 近年来，卷积神经网络(Convolutional Neural Networks, CNN)被用于深度估计，在精度和时间复杂度上都有了显著的提升。然而，早期的基于学习的方法忽略了光场图像之间的几何特征，在边缘、遮挡、弱纹理等区域无法得到精确的深度估计结果。 本文提出的基于语义信息导向的光场深度估计网络框架，通过引入语义信息，设计了一个基于语义感知模块的深度学习网络框架，该网络学习到充分的上下文信息，解决了深度估计中难以优化的不适定区域问题。该网络的预处理方式加强了视角信息的相关性，并对复杂区域进行了合理有效的处理。 实验结果表明，本文算法在实验精度和速度上均优于大部分的算法，且保留较好的深度图边缘。该深度学习网络具有以下特点：(1)设计了语义感知模块(Semantic Perception module, SP_module)用于复杂信息的特征提取，其中空洞金字塔池化(Atrous Spatial Pyramids Pooling, ASPP)可以引入多尺度信息，通过增大感受野来捕捉层次上下文信息，编解码结构通过逐步恢复空间信息来捕获更清晰的对象边界。 本文提出了一种基于语义信息导向的光场深度估计网络框架，该框架通过引入语义信息，解决了深度估计中难以优化的不适定区域问题，提高了深度估计的准确性和速度。