基于JNDD模型的深度图优化算法研究

"这篇研究论文探讨了恰可察觉深度差异模型在深度图优化中的应用，通过主观实验得到了人眼对深度细节的最小可察觉差异（JNDDD），并提出了基于JNDDD的三边滤波深度图优化算法，旨在减少深度估计过程中的噪声导致的图像失真。该算法在降低编码码率的同时，可以改善合成虚拟视点图像的质量，使边缘更加平滑，减少噪声。关键词包括JNDDD模型、三边滤波、MV_D、深度估计和视点合成。" 本文的研究聚焦于人眼视觉系统对空间深度变化的感知特性。深度图是一种表示场景中各个像素深度信息的二维图像，对于三维重构、虚拟现实以及视点合成等应用至关重要。然而，由于深度估计过程中的噪声，可能导致深度图中包含大量人眼难以察觉的细节，这些细节不仅增加了编码复杂性和码率，还可能在合成图像时引起失真，特别是在物体边缘。 作者们通过大量主观实验，建立了一个恰可察觉深度差异（JNDDD）模型，这个模型量化了人眼在深度变化上的最小可察觉阈值。这一模型的建立使得优化深度图成为可能，因为可以识别并去除那些超出人眼感知能力的深度细节，从而降低深度图的冗余信息。 基于JNDDD模型，他们提出了一种三边滤波深度图优化算法。三边滤波是一种非线性滤波方法，能有效地保持图像边缘的清晰度，同时去除噪声。在深度图中应用这种滤波器，可以抑制不被感知的深度细节，减少噪声，进而改善深度估计的准确性。 实验结果表明，采用该优化算法后，即使在降低深度编码码率的情况下，也能显著提升合成虚拟视点图像的质量。物体边缘的平滑度得到提高，减少了由于深度噪声引起的边缘模糊现象。这不仅优化了图像的视觉效果，还有助于节省存储和传输资源。 这篇论文贡献了对人眼视觉感知深度变化的新理解，并提供了深度图优化的新策略。JNDDD模型和三边滤波深度图优化算法的结合，为深度图处理和相关应用提供了理论支持和技术手段，对于提升三维视觉体验具有重要意义。