没有合适的资源?快使用搜索试试~ 我知道了~
使用双像素传感器消除反射
1使用双像素传感器消除反射Abhijith Punnappurath约克大学pabhijith@eecs.yorku.caMichael S. 布朗约克大学mbrown@eecs.yorku.ca摘要反射消除是一个具有挑战性的问题,消除不必要的反射时,发生成像的场景是后面的玻璃窗格。 在本文中,我们表明,大多数相机都有一个被忽视的机制,可以大大简化这项任务。具体而言,现代DLSR和智能手机相机使用双像素(DP)传感器,其每个像素具有两个光电二极管,以从单个捕获的图像提供场景的两个 子 孔 径 “Defocus- disparity” cues, which are naturalby-products of the DP sensor捕获的输入图像基于L/R的左(L)子孔径视图LR右(R)子孔径视图LR干涉然后,可以将该梯度信息合并到优化框架中,以比当前可能从单个捕获的图像更高的精度恢复背景层。作为这项工作的一部分,我们提供了第一个图像数据集的反射去除consisting从DP传感器的子孔径视图。散焦-视差提示反射的背景L地面实况背景层我们估计的背景层我们估计的反射层1. 介绍本文讨论了消除反射干扰的问题,发生时,成像后的一个场景的窗格玻璃。我们工作的新颖性在于我们使 用 了 大 多 数 智 能 手 机 和 DSLR 相 机 上 的 双 像 素(DP)传感器提供的信息。Tra的图像传感器有一个单一的光电二极管每像素网站。DP传感器有两个光电二极管,有效地将像素分成两半。DP传感器设计从单个捕获的图像中捕获场景的两个视图,其中通过透镜左侧的光线由右半像素捕获(右子孔径视图),并且通过透镜右侧的光线由左半像素捕获(左子孔径视图)。DP传感器实际上是一种基本的双样本光场相机。在该上下文中,对焦的场景点在其在左子孔径视图和右子孔径视图中的位置之间将没有差异。然而,失焦场景点将在两个相反的方向模糊图1.一个简单的例子来说明我们的基本思想。所捕获的图像和它的两个子孔径视图被示出。在放大的框中,上半部分对应于左视图,下半部分对应于右视图。在右边的框中示出了离焦反射区域,可以在两个白点之间观察到水平移位(最佳电子观看和缩放),而在焦点对准的背景区域的左边框中不存在视差。这种差异(如图所示)允许我们计算属于背景区域的图像梯度的掩模,该掩模可用于提取背景层。子孔径视图,导致非常小但可检测的偏移。这些移位,我们称之为散焦视差线索,与场景点相对于相机镜头的景深所引起的失焦模糊的量有关作为DP传感器的自然副产品的这些散焦视差线索允许我们鲁棒地确定所捕获的合成图像中的哪些梯度属于对焦背景层。图1示出了示例。15561557贡献我们介绍了一种新的反射去除方法,利用DP传感器上的两个子孔径视图。我们解释了两个子孔径视图中的散焦视差线索相对于背景层和玻璃反射的物体之间的关系。在此背景下,我们提出了一种方法,使用这些散焦视差线索来检测对应于对焦背景的梯度,并将它们纳入到一个优化框架中来恢复背景层。我们的实验结果表明,这种额外的信息比目前的方法的优势。更重要的是,我们的结果是在没有硬件修改或训练的情况下获得的作为这项工作的一部分,我们引入了一个新的数据集的反射去除,提供访问两个子孔径视图。1.1. 相关工作我们首先简要概述了DP传感器的原始功能及其扩展功能。我们还讨论了单个和多个图像反射去除方法以及使用光场相机的方法,因为DP传感器可以被认为是每像素两个样本的光场。DP传感器双像素传感器的开发是为了提供一种快速的自动对焦方法[13,28],这里的想法是,通过检查两个视图之间的图像视差,可以计算镜头位置的变化,以最大限度地减少失焦模糊的量,从而聚焦图像。然而,DP数据可以用于自动对焦以外的任务。Wadhwaet al.最近的工作[30]展示了如何使用两个DP视图来提取密集的深度图,以合成浅景深图像。反射消除单图像大多数单图像方法利用自然图像的统计特性,使反射消除问题不那么不适定。梯度的长尾分布[18],角和边的稀疏性[20]、重影效应[27]、背景层和反射层之间的平滑度差异[22]以及景深置信度图[33]是已经采用的一些先验。最近,深度学习技术也被应用于这项任务[9,40,32,39]。Fan等人。[9]首先学习中间边缘图来指导背景恢复,而Wan等人。[32]将梯度和图像推理的两个阶段结合到一个统一的框架中。而Zhang et al.[40]寻求使用低级和高级图像信息,Yang等人。[39]估计级联的背景层和反射层。虽然在单图像反射去除方面已经取得了很大的进展,但由于该问题的高度不适定性质,仍然有很大的改进余地。多个图像以预定义的方式捕获场景的多个图像可以使反射去除问题变得更加复杂。更听话些。绝大多数多图像方法基于运动提示[12,5,10,11,21,29,37]。这些方法利用了从不同视点拍摄的同一场景的给定图像的两个层之间的运动差异。先前的工作已经将两层的运动建模为纯平移[5]、仿射[10]或完全单应性[11]。最近的方法[12,21,29,37]已经用密集的每像素运动矢量取代了这些参数模型还提出了需要特殊硬件或非传统捕获设置的方法-尽管这些多图像方法由于附加信息的可用性而产生更好的结果,但是它们给摄影师带来了获得特殊硬件或技能的负担,从而极大地限制了它们对普通用户的适用性。光场相机虽然层分离是不适定与传统的成像,任务变得易于处理与光场成像,如最近的作品[34,14,6,23]所示。Wang等人[34]他们自己的便携式摄像机ERA阵列以获得用于反射去除的图像堆栈。Johannsen等人[14]提出了一种用于层分离的变分方法,假设梯度标记中有用户辅助。Chandramouli等人[6]提倡深度学习方法来恢复场景深度以及两个层。Ni等人[23]使用焦点操作来消除反射。这些方法的缺点是需要专用的光场相机。相比之下,我们的方法通过使用大多数当前商品相机的DP传感器上可用的信息来工作。2. DP传感器DP传感器使用位于两个光电二极管顶部的微透镜的布置将单个像素分成两半参见图2(a)。双像素的两半-两个- 可以独立地检测光和记录信号。当两个信号相加时,产生的像素强度将与普通单二极管传感器的值相分像素排列的效果是,来自相机镜头光圈左半部分的光线失焦的场景点将由于所引起的模糊圈而经历左右视图之间的视差或移位。DP自动对焦系统正是利用了这种转变。通过检查感兴趣区域内的带符号的平均视差值,自动聚焦算法不仅可以确定在哪个方向上移动透镜以便使该区域聚焦(并且从而使视差最小化),而且还可以确定移动多少。在此背景下,我们研究的图像形成模型的DP传感器成像的场景,通过trans-marton-1558玻璃相机双像素传感器阵列7DOF主透镜微透镜右光电二极管6543210一01234567传感器位置(b) DP数据背景01234 56701234 567传感器位置(d) DP数据反射01234 567(f) DP左视图(g) DP右视图左光电二极管DualPixel单元传感器位置(c) 图像数据背景传感器位置(e)图像数据反映(一)背景对象反射对象反射(f+)(g+)(h+)(h)观察到的图像图2.双像素相机拍摄玻璃后场景的成像模型。(a)在像素点1处记录焦点对准的背景场景点,而散焦的反射场景点创建散焦模糊,该散焦模糊散布在像素点2至6上。来自透镜的相对半部分的光由左半像素和右半像素收集。背景场景点(b)没有视差,而反射(d)引起与模糊大小成比例的视差。左半像素和右半像素的和表示在该像素位置(c)、(e)处观察到的图像强度DP视图和观察图像是背景对象和反射对象的叠加(f-h)。从三角形(f+,g+)尖端的位置可以明显看出两个视图之间的反射位移母玻璃一个密集的DP传感器阵列有效地产生意见,通过左和右半部分的镜头从一个单一的捕捉。根据传感器的方向,这也可以是镜头的上半部分和下半部分;在不失一般性的情况下,我们认为它们是本文其余部分的左派和右派观点。我们做以下两个假设。首先,我们认为背景层比反射层具有更强的图像强度.所有反射消除算法都是这样假设的。其次,我们假设背景场景内容位于相机的景深(DOF)内,而场景中被反射到玻璃上的对象处于不同的深度,因此在第二个假设也是常见的[22,33,38,7,9,39],如Wan等人所述[31],这是相当合理的假设,背景和物体在玻璃前面有不同的距离相机。在这种情况下,观察到的图像是聚焦背景和散焦反射的叠加。基于这些假设,我们在图中说明了图像形成模型。2(a)用于对场景成像的DP相机接下来,考虑构成反射层的玻璃前面的三角形物体。来自该物体上某个点的光线聚焦在传感器前面,并在传感器上产生一个5像素宽(标记为2到6)的散焦模糊图像。由分裂像素创建的左视图和右视图具有与模糊大小成比例的视差(图10)。第2段(d)分段)。模糊的反射图像是通过将左信号和右信号相加而获得的(图11)。第2段(e)分段)。在图1A和1B中示出了复合DP数据,该复合DP数据是如从整个成像传感器上的左视图和右视图观察到的焦点2(f,g)。注意放大区域(f+,g+)突出显示的视图之间的转换由相机输出的最终图像是左和右DP视图的总和,也在图中示出。2(h),以及其在(h+)中的放大区域。如果b表示背景层并且f表示潜在尖锐反射层,两者都以字典序向量形式,则复合左gLV和右gRVDP视图可以在数学上表示为透过玻璃焦点对准的背景物体上的一点b b发射光,该光穿过照相机从图中观察到,穿过主透镜光圈右半部分的光线以一定角度撞击微透镜,使得它们被引导到左半像素中。这同样适用于光圈的左半部分和右半部分像素。对于一个焦点场景点,没有视差(图。第2段(b)分段)。左值和右值的总和被存储为该像素处的图像强度(图10)。第2段(c)分段)。gLV=2+ WLVf,gRV=2+ WRVf,(1)其中WLV和WRV是分别在左视图和右视图中乘以下方尖锐反射层f以产生其散焦观察到的图像g可以表示为g = gLV+ gRV= b + r,其中r等于模糊反射层并且由r =(WLV+ WRV)f给出。421没有差别2模糊大小21强度强度强度强度1559√−2的13B图3.输入图像和我们估计的背景加权梯度图。3. 该方法从我们的前一节开始,我们描述了我们的反射去除方法,该方法利用先验知识,即(i)背景层是清晰的并且具有零视差,以及(ii)反射层是散焦模糊的并且在左DP视图和右DP视图之间具有非零视差。3.1. 散焦视差线索Levin等[18]证明了标记输入图像的梯度可以作为反射去除的强大机制。但是,标签由用户手动完成。受[18]成功的启发,我们建议使用左右之间的散焦视差线索σa3=256。请注意,模糊的反射梯度很弱[22,38,7],并且很少可以可靠地标记。在我们的实验中,通过将标记的反射梯度添加到我们的成本函数中,我们没有观察到结果的任何改善,因此,我们没有将它们包括在梯度图中。虽然我们的视差估计技术在精神上与[30]相似,但我们使用梯度而不是图像强度是与他们的方法的显著偏离。因此,他们采用了几种方法(例如,重复纹理、缺乏纹理、离群运动)来计算置信度,而我们的置信度估计直接基于二次拟合。3.2. 聚焦和散焦图像分布背景层和反射层之间的清晰度差异为层分离提供了另一个有价值的线索这个问题在[22]中得到了解决。散焦反射层比聚焦背景具有更少的大梯度。在[22]之后,我们使用具有窄扩展的高斯函数对模糊反射层的梯度分布进行建模DP视图自动识别哪些渐变属于背景层。让左和右DP视图的梯度获得1PR(l)=e2πσ2-l22σ2,(4)通过应用一阶水平和垂直导数滤波器,可以表示为hLV和hRV。为了计算视差,我们在hLV中选择大小为N×N像素的补丁,并执行在一个范围内的横向搜索t到t个像素。一个1D搜索就足够了,因为分裂像素产生一个al-传感器参考帧中最纯的水平校正视差。 由于DP视图之间的基线非常窄(约等于孔径直径[30]),因此搜索间隔2 t + 1可以限制为几个像素。 我们计算每个整数移位的平方差和(SSD)。在[30]之后,我们找到这2个t+1点的最小值,并使用最小值及其周围的两个点将二次 函 数 1a1x2+a2x+a3拟合到SSD 值在给定的像素i处,二次曲线的最小值的位置s i= −a2作为子像素最小值。 我们还将每个像素i处的置信度值计算为[4]:其中,l表示梯度值,并且σ表示高斯的标准差众所周知,自然图像的梯度具有重尾分布,并且可以使用超拉普拉斯函数对该分布进行建模[16,17]。因此,我们将聚焦背景层的梯度的概率分布表示为P(l)=e−α|L|p,(5)其中α是一个正标量,我们设置p = 2[16]。[22]的工作也适用于不同的分布,两层的梯度。然而,他们甚至使用高斯模型来模拟背景的梯度分布。然后,他们通过应用最大运算符并防止梯度接近零来强制分布具有尾部。相比之下,我们使用超拉普拉斯算子.β=exp日志|a1i|−a3iσa1σΣ.(二)分布更自然地鼓励背景中的大梯度。[22]这是一种纯粹的依赖关系。I2一个3我们使用置信度值βi构建背景的加权梯度图,.因此,他们的方法在以下情况下失败,两层之间的清晰度没有明显差异(见图1的实施例1)。4).我们提出的方法作为-相似的梯度使用视差作为线索的附加信息,并产生稳定的性能,即使当Ci=ρβi如果|SI|<且βi>1,0否则。(三)反射层仅稍微离焦。3.3. 成本函数我们估计的背景梯度图的两个例子如图所示。3.第三章。 我们固定ρ = 5,N = 11,t = 5,σ a1 = 5,我们的成本函数使用概率模型来寻求叠加图像的最可能的解释,1560联系我们2ασ2p2Bp2算法1使用双像素传感器的输入::输入图像g,左gLV和右gRVDP视图,相对权重λ,最大迭代Q。输出::背景b和模糊反射r。1:使用gLV和gRV计算C(见第3.1节)2:D=CD3:q=04:b =(DTD +λD<$TD<$)−1(λD<$TD<$g)方程(9)可以使用迭代重加权最小二乘法求解,并且步骤在算法1中概述。在我们所有的实验中,优化在几次迭代内快速收敛请注意,我们的成本函数完全基于梯度。因此,我们最后根据输入图像的强度范围重新缩放恢复的背景和反射图像我们想补充的是,我们选择不包括任何5:做6:ei=..Max|(Db)i|、0. 001(p−2)基于图像形成的在我们的成本函数中的等式(1)中的模型。由矩阵W,LV和7:E =diag(ei)8:b =(DTED +λD<$TD<$)−1(λD<$TD<$g)9:q++十: 当q Q11:r =g-b背景层和反射层的概率具体来说,我们最大化联合概率P(b,r)。 假设背景和反射是独立的[19],联合概率可以表示为两层中每层概率的乘积-即P(b,r)= P(b)P(r)。 在[36]之后,我们使用导数滤波器的直方图定义我们在背景和反射层上的分布,WRV可以是空间变化的,这取决于反射对象的深度。每个像素变化的散焦核难以从合成图像可靠地估计。此外,模糊大小是光圈的函数(参见[30]的等式3)。注意,我们基于梯度的成本函数不是特定于孔径的,不需要复杂的每像素深度估计,并且可以直接优化。4. 实验没有公开的数据集可用于提供双像素数据的反射因此,为了评估我们提出的算法的性能,我们使用双像素相机捕获我们自己的数据集。虽然DP技术存在于大多数现代相机上,但绝大多数P(z)Yi,k.P(Dkz)iΣ, z=b或r,(6)这些设备不向用户提供对DP数据的访问。这主要是因为DP自动对焦发生在相机流水线的非常早期的阶段,并且当前的原始读出硬件组合信息以模仿单个读取。我们假设水平和垂直导数过滤器DkDx,Dy,Dxx,Dxy,Dyy在空间和方向上是独立的。最大化P(b,r)等于最小化其负对数,并且从等式(4)(5)(6),我们获得以下成本函数:对于每个像素。据我们所知,没有直接的Camera2 API[1]调用来读取DP测量值,即使是在[30]中使用的Google Pixel 2手机因此,我们使用佳能EOS 5D MarkIV数码单反相机,这是为数不多的商用相机之一,可以提供访问传感器argmin.Σ。p.|+ λ(D r)|+ λ(D r)ΣΣΣ2、(7)4.1. 数据捕获b, rKiKii,k我们的数据集分为两类其中,我们将两项之间的相对权重和乘数1积分为单个参数λ,其控制反射层中的散焦模糊量。这可以重写为室内场景与地面真相和场景捕捉遵循最近的单图像反射消除基准数据集[31]所采用的数据捕获方法,我们使用不同的明信片作为背景和反射(见图10)。(4)控制数据集。我们,p2,选择texture从中等到高等的明信片argminb, r||p +λ||Dr||2||2、(8)对于背景和反射,并以我们的数据集具有广泛多样性的方式将它们成对组合,其中矩阵D由五个Dks垂直组成堆叠。用单层b表示,并结合等式(3)中的置信值C =diag(ci),以加强与标记梯度的一致性,我们获得、、、arg min||+ λ|| CD(g-b)||.||.(九)复杂的重叠纹理。特别是,我们选择了六张明信片作为背景,五张明信片作为反思,总共有30个不同的场景。散焦模糊大小和视差是光圈的函数。为了评估算法具体来说,我们选择了五个不同的光圈1561--图4.来自我们受控数据集的示例。尺寸F13、F10、F8、F5.6、F4。在补充材料中,我们提供了在两个DP视图之间切换的动画,以更好地揭示散焦模糊和dispar- ity如何随光圈变化。对于30个场景中的每一个,我们使用这五个不同的光圈捕获图像,为受控数据集提供了总共150张图像。为了使受控场景更具挑战性,我们在玻璃前面靠近明信片的地方放置了一个光源,以增强反射的干扰[31]。地面实况背景层是在移除便携式玻璃窗格的情况下捕获的虽然受控设置允许对我们提出的方法以及竞争算法进行定量评估,但这些场景不一定反映以不受约束的方式捕获的图像中遇到的因此,我们使用图像来在野外捕获(见图)。五是举例说明)。对于野外类别,我们发现很难捕获地面实况(由于场景中的运动,玻璃窗格被固定等),所以我们只能定性地分析结果4.2. 比较我们将我们的结果与六种当代反射消除算法进行比较-四种单图像算法,LB 14 [22],WS 16 [33],ZN 18[40]和YG 18 [39],以及两种基于运动的多图像算法,LB 13 [21],GC 14 [11]。所有六种方法的代码已由作者公开提供。对于单图像算法,我们使用他们的论文中提到的或原始代码中提供的默认参数,并将捕获的图像作为输入。我们选择LB14 [22]和WS 16 [33]的常规方法进行比较,因为它们的操作不符合要求。LB13公司简介LB14公司简介公司简介公司简介我们F4地面实况F8地面实况F13地面实况输入输入反射输入背景背景反射背景反射1562LB13公司简介LB14公司简介公司简介公司简介我们图5.来自我们野外数据集的例子。和我们做的假设一样背景是清晰的并且反射是散焦的。YG18 [39]和ZN18[40]是两种最新的深度学习方法,用于消除单图像反射,具有最先进的性能。由于我们可以从DP传感器获得两个子孔径视图为了对这些方法进行公平的比较,我们将其搜索空间限制为纯平移而不是全单应性。我们提供左和右DP视图作为多图像方法的输入,因为视点的变化在这两个图像之间最高。在我们的实验中,包括输入图像以及DP视图并没有提高它们的性能。第1.1节中讨论的基于光场相机的方法的代码尚未公开。4.3. 误差度量我们定量地比较了我们提出的al-出租m的结果,我们使用几个指标来评估性能(i)峰值信噪比(PSNR)和(ii)结构相似性指数(SSIM)[35]是最常用的两种。在[31]之后,我们还使 用 ( iii ) 局 部 均 方 误 差 作 为 相 似 性 度 量(sLMSE),(iv)归一化互相关(NCC)和(v)结构指数(SI)。有关指标(iii)至(v)的更多详细信息,请参见[31]。4.4. 控制场景LB 13 [21]、GC 14 [11]、LB 14 [22]、WS 16 [33],ZN 18 [40],YG 18 [39],我们在我们数据集的受控类别中的150张图像上提出的方法记录在表1.可以观察到,我们在所有指标上都优于竞争对手。图4示出反射背景反射背景反射输入背景输入输入我们估计的梯度图我们估计的梯度图我们估计的梯度图1563×(a)(b)(c)(d)表1.我们控制数据集的定量结果来自我们的具有三种不同光圈设置的受控组的三个代表性示例。我们注意到,多图像方法LB 13 [21]和GC14 [11]通常表现不佳,因为这两种方法都依赖于视点的大变化,而DP视图之间的基线非常窄。图1的第一行图4示出了在F13光圈值下捕获的示例虽然背景没有很多纹理,但由于光圈较窄,反射很尖锐,ZN18 [40]和YG18 [39]在图像的右上角有从第二行中的放大区域可以观察到,LB 14 [22]和WS 16 [33]也都具有残余反射。相比之下,我们的方法更准确地恢复了背景和反射(如第三行所示)。另一个例子,具有高度纹理的背景以及在F8光圈捕捉的反射。竞争技术错误地从背景中删除太少(红框LB 14 [22])或太多(绿框YG 18 [39])的细节,或错误地计算反射层的整体与其他算法相比,我们的输出更接近地面实况。第三个例子在F4光圈下拍摄更具挑战性,因为虽然反射是模糊的,但它覆盖了大量纹理背景的很大一部分。在这种情况下,所有的方法都会损失细节然而,我们的方法仍然可以很好地分离背景层和反射层。4.5. 结果在野生场景图6. (a)输入图像,(b)我们估计的背景,(c)我们估计的反射,以及(d)反射层的深度图处理800个800图像。我们工作的一个有趣的延伸是重新-覆盖反射场景的粗略深度图。一个例子是证明在图。6.通过从左视图和右视图减去估计的背景,我们可以获得从左视图和右视图观察到的反射场景然后,这两个图像可以用于按照Wadhwa等人的视差估计技术来提取反射场景的深度图。[30]第30段。5. 讨论和总结我们提出了一种方法来执行反射removal利用数据上的DP传感器。 我们使用两个子孔径视图中存在的散焦视差线索来简化确定哪些图像梯度属于背景层的任务。这个标记良好的梯度图允许我们的优化方案比其他不使用此附加信息的方法更准确地恢复背景层。我们的方法最好的部分是,它不需要硬件修改或培训唯一的缺点是大多数相机API目前不提供对这些有用数据的访问。我们希望这项工作将激励制造商提供访问。在此期间,我们提供了一个新的数据集的反射去除,提供了两个DP子孔径的意见。我们注意到,我们的散焦视差线索是基于反射层失焦的假设。因此,我们的方法的一个局限性是,我们不能完全图5显示了我们在野外数据集中的三个例子。由于没有地面实况,我们提供了与背景(绿色)和反射(红色)对应的放大区域,用于各种算法的视觉比较。我们估计的背景梯度图也显示。可以观察到,与竞争技术相比,我们的方法始终表现补充材料中提供了更多结果。在本文中,我们把参数λ=100和Q=3在具有32 GBRAM的3.10 GHz处理器上,我们的MATLAB算法大约需要2两层的梯度之间的区别,如果背景和被反射的景物离玻璃的距离几乎相等,也就是说,两层都是清晰的焦点,并且视差太小而不能被检测到未来工作的一个想法是使用聚焦包围法来组合多个DP图像以改进层恢复。确认这项研究的部分资金来自加拿大第一研究卓越基金的愿景:科学应用(VISTA)计划和NSERC发现补助金。方法PSNR(dB)SSIMsLMSENCCSILB13 [21]16.120.6890.8700.9660.758GC14 [11]16.020.7980.8880.9450.496LB14 [22]14.200.8420.7970.9810.840WS16 [33]16.620.8360.8840.9750.837ZN18 [40]15.570.7970.8670.9790.818YG18 [39]16.490.8320.8710.9780.847我们19.450.8830.9460.9820.8701564引用[1] 谷歌公司:Camera2 API包摘要。http://developer.android.com/reference/android/hardware/camera 2/.访问时间:2016-07-16。[2] A.阿格拉瓦尔河Raskar和R.切拉帕利用交叉投影张量的梯度场变换进行边缘抑制。CVPR,2006。[3] 放大图片作者:Amit Agrawal,Ramesh Raskar,ShreeK. Nayar和Yuanzhen Li。使用梯度投影和闪光曝光采样消除摄影伪影ACM Transactions on Graphics,24:828[4] 罗伯特·安德森、大卫·盖洛普、乔纳森·T·巴伦、珍妮·康特卡宁、诺亚·S·N·V·Y、卡洛斯·赫尔·N·南德斯、萨米尔·A·G·R·瓦尔和史蒂文·M·塞茨。Jump:虚拟现实视频。SIG-GRAPH Asia,2016.[5] E. Be'ery和A.耶雷多利用参数化联合对角化实现叠加移位 图 像 的 盲 分 离 。 IEEE Transactions on ImageProcessing,17(3):340[6] Paramanand Chandramouli 、 Mehdi Noroozi 和 PaoloFavaro。基于ConvNet的全光图像的深度估计、反射分离和去模糊。InACCV,2016.[7] Y.钟,S。Chang,J. Wang,and S.尘从单个图像分离干涉反射。在WACV,2009年。[8] Y. Diamant 和 Y. Y. 谢 克 纳 克 服 视 觉 障 碍 。 CVPR ,2008。[9] Qingnan Fan , Jiaolong Yang , Gang Hua , BaoquanChen,and David Wipf.用于单个图像反射去除和图像平滑的通用深度架构。InICCV,2017.[10] K. Gai,Z. Shi和C.张某基于图像统计的叠加运动图像盲分 离 。 IEEE Transactions on Pattern Analysis andMachine Intelligence,34(1):19[11] X. Guo,X. Cao和Y. MA.从多个图像中稳健地分离反射。CVPR,2014。[12] B. Han和J. Sim。基于共显着性的图像配准和梯度域低秩矩阵补充的玻璃反射去除。IEEE Transactions onImage Processing,27(10):4873[13] Jinbeum Jang,Yoonjong Yoo,Jongheon Kim和JoonkiPaik。基于多尺度特征提取和相位相关匹配的传感器自动聚焦系统。传感器,15(3):5747[14] Ole Johannsen,Antonin Sulc,and Bastian Goldluecke.光场层的变化分离。在视觉,建模和可视化。欧洲制图协会,2015年。[15] N. 孔,Y。Tai和J.S. 信基于物理的反射分离方法:从物理 建 模 到 约 束 优 化 。 IEEE Transactions on PatternAnalysis and Machine Intelligence,36(2):209[16] Dilip Krishnan和Rob Fergus使用超拉普拉斯先验的快速图像去卷积。NIPS,2009年。[17] AnatL e vin,RobFe r gus,Fr e´ doDurand,andWilliamT.自由人。图像和深度从传统的相机与编码孔径。ACM Transactions on Graphics,26(3),2007.[18] A. Levin和Y.韦斯使用稀疏先验从单个图像中分离反射的用户辅助。IEEE Transactions on Pattern Analysis andMachine Intelligence,29(9):1647[19] Anat Levin,Assaf Zomet和Yair Weiss。学习从自然场景的统计数据中感知透明度。NIPS,2002年。[20] A. Levin,A. Zomet和Y.韦斯使用局部特征从单个图像分离反射。载于CVPR,2004年。[21] Y. Li和M. S.布朗利用反射率变化来消除非线性反射.InICCV,2013.[22] Y. Li和M. S.布朗使用相对平滑度的单个图像层分离。CVPR,2014。[23] Y. Ni,J. Chen,and L.周使用焦点操作去除单个光场捕获 的 反 射 。 IEEE Transactions on ComputationalImaging,4:562[24] 伯纳德·萨雷尔和米哈尔·伊拉尼通过层信息交换分离透明层。见ECCV,2004年。[25] 约阿夫Schechner,Nahum Kiryati,and Ronen Basri.使用焦点分离透明层。国际计算机视觉杂志,39(1):25[26] Y. Y. Schechner,J. Shamir和N. Kiryati。基于偏振的透明层去相关:不可见表面的倾斜载于ICCV,1999年。[27] YiChang Shih ,D. Krishnan , F. Durand和 W. T. 弗 里曼。使用重影提示消除反射。CVPR,2015。[28] 我很高兴能见到斯里维·恩斯基和爸爸。传感器上相位检测自聚焦算法的一个简单模型计算机与通信杂志,1(06):11,2013。[29] Chao Sun,Shuaicheng Liu,Taotao Yang,Bing Zeng,Zhengning Wang,and Guanghui Liu.使用梯度强度和运动提示自动消除反射。ACM Multimedia,2016年。[30] 放大图片作者:David E.作者:Jacobs,Bryan E.放大图片 作 者 : Robert Carroll , Yair Movshovitz- Attias ,Jonathan T.Barron,Yael Pritch,and Marc Levoy.用单摄像头手机合成景深。ACM Transactions on Graphics,37(4):64:1[31] R. 万湾,澳-地什湖,加-地Duan,中国茶条A.Tan和A.C. 科 特对 单图 像反 射消 除算 法进 行基 准测 试。InICCV,2017.[32] Renjie Wan , Boxin Shi , Ling-Yu Duan , Ah-HweeTan,and Alex C.科特CRRN:多尺度引导并发反射消除网络。在CVPR,2018年。[33] R.万湾,澳-地施,T. A. Hwee和A. C.科特景深引导的反射去除。在ICIP,2016年。[34] Qiaosong Wang , Haiting Lin , Yi Ma , Sing BingKang,and Jingyi Yu.自动分层使用光场成像。arXiv,2015.[35] 放大图片作者:Alan C.哈米德?博维克Sheikh和Eero P.西蒙切利图像质量评估:从错误可见性到结构相似性。IEEE图像处理学报,13(4):600[36] Y.韦斯从图像序列中导出本征图像。载于ICCV,2001年。[37] 薛天凡,迈克尔·鲁宾斯坦,刘策,威廉·T.弗里曼。无障碍的计算方法1565摄影. ACM Transactions on Graphics,34(4):79:1[38] Q. Yan,Y.Xu,X.Yang和T.阮从单个叠加图像中分离IEEE Signal Processing Letters,21(10):1173[39] 杨洁,龚东,刘灵桥,石勤峰。深入和双向地看:一种用于消除单个图像反射的深度学习方法在ECCV,2018。[40] Xuaner Zhang,Ren Ng,and Qifeng Chen.具有感知损失的单个图像反射分离。在CVPR,2018年。
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![doc](https://img-home.csdnimg.cn/images/20210720083327.png)
![ppt](https://img-home.csdnimg.cn/images/20210720083527.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- VMP技术解析:Handle块优化与壳模板初始化
- C++ Primer 第四版更新:现代编程风格与标准库
- 计算机系统基础实验:缓冲区溢出攻击(Lab3)
- 中国结算网上业务平台:证券登记操作详解与常见问题
- FPGA驱动的五子棋博弈系统:加速与创新娱乐体验
- 多旋翼飞行器定点位置控制器设计实验
- 基于流量预测与潮汐效应的动态载频优化策略
- SQL练习:查询分析与高级操作
- 海底数据中心散热优化:从MATLAB到动态模拟
- 移动应用作业:MyDiaryBook - Google Material Design 日记APP
- Linux提权技术详解:从内核漏洞到Sudo配置错误
- 93分钟快速入门 LaTeX:从入门到实践
- 5G测试新挑战与罗德与施瓦茨解决方案
- EAS系统性能优化与故障诊断指南
- Java并发编程:JUC核心概念解析与应用
- 数据结构实验报告:基于不同存储结构的线性表和树实现
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)