计算机工程

作者：罗少聪, 张旭东, 万乐, 谢林芳, 黎书玉

单位：1. 合肥工业大学 计算机与信息学院, 合肥 230601;2. 工业安全与应急技术安徽省重点实验室, 合肥 230009

关键词：光场,深度估计,对抗学习,特征迁移,角度一致性,密集连接模块

基金：国家自然科学基金（61876057、61971177）；安徽省重点研发计划科技强警专项（202004d07020012）。

光场相机可以通过单次曝光同时采集空间中光线的位置信息和角度信息，在深度估计领域具有独特优势。目前光场真实场景数据集的深度标签难以获取且准确度不高，因此现有的多数光场深度估计方法依赖光场合成场景数据集进行训练，但合成数据集与真实数据集在图像特征分布上的差异，导致网络在将子孔径图像与深度图之间的映射关系应用于真实数据集时容易出现偏差。提出一种新的光场深度估计方法，利用基于对抗学习的图像翻译网络，使合成场景子孔径图像逼近真实场景子孔径图像的特征分布。在图像翻译网络中实施多视图角度一致性约束，保证图像翻译前后不同视角子孔径图像之间的视差关系保持不变。设计一种多通道密集连接深度估计网络，利用多通道输入模块充分提取不同方向子孔径图像堆栈特征，并通过密集连接模块进行特征融合，提升网络特征提取和特征传递的效率。在光场合成数据集4D Light Field Benchmark和光场真实数据集Stanford Lytro Light Field上的实验结果表明：与Baseline网络相比，该网络的均方误差和坏像素率平均降低23.3%和8.6%；与EPINET、EPI_ORM、EPN+OS+GC等方法相比，基于该网络的估计方法有效提升了深度估计的准确度，具有良好的鲁棒性和泛化能力。

来源：2023年第4期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第4期