摘要
本文提出了一种新颖的深度神经网络,用于从光场图像中估计深度图。为更有效地利用多视角信息并减少视图内部的冗余,我们设计了一个视图选择模块,该模块生成一个注意力图,用以表征各个视图的重要性及其对精确深度估计的潜在贡献。通过挖掘光场视图之间的对称特性,我们在注意力图中引入对称性约束,进一步提升了估计精度。借助该注意力图,所提出的网络架构能够更高效、更充分地利用所有视图信息。实验结果表明,该方法在深度估计精度方面达到了当前最优水平,并在光场图像视差估计的一个主流基准测试中排名第一。
本文提出了一种新颖的深度神经网络,用于从光场图像中估计深度图。为更有效地利用多视角信息并减少视图内部的冗余,我们设计了一个视图选择模块,该模块生成一个注意力图,用以表征各个视图的重要性及其对精确深度估计的潜在贡献。通过挖掘光场视图之间的对称特性,我们在注意力图中引入对称性约束,进一步提升了估计精度。借助该注意力图,所提出的网络架构能够更高效、更充分地利用所有视图信息。实验结果表明,该方法在深度估计精度方面达到了当前最优水平,并在光场图像视差估计的一个主流基准测试中排名第一。