Key points are not available for this paper at this time.
A tecnologia de campo de luz (LF) captura informações de múltiplas direções e ângulos, permitindo uma estimativa precisa de disparidade. Recentemente, abordagens baseadas em custo de correspondência avançaram rapidamente e mostraram resultados satisfatórios. No entanto, esses métodos geralmente dependem de candidatos a disparidade fixos, levando a uma utilização inadequada dos candidatos e tornando-os inadequados para cenas LF com linhas de base variáveis. Estruturas de linha multidirecionais de imagens de plano epipolar (EPIs) associam múltiplos pontos de vista, percebendo adaptativamente faixas de disparidade e correspondendo com precisão características em cenas reais. Neste artigo, propomos um custo de correspondência EPI-adaptativo (AEMC) para estimativa de disparidade LF, que se mostrou capaz de aumentar a adaptabilidade em conjuntos de dados com linhas de base variáveis. Nossa abordagem calcula candidatos a disparidade em nível de pixel para manter a distribuição prevista próxima à verdade terrestre (GT) e corresponde estruturas de linha para melhorar a precisão. Em seguida, para aumentar a robustez durante o processo adaptativo, introduzimos um módulo de extração intra-EPI que estabelece dinamicamente correlações na EPI local enquanto suplementa informações espaciais. Por fim, apresentamos uma rede chamada rede de custo de correspondência EPI-adaptativo (AEMCNet) para estimativa de disparidade LF. Resultados experimentais demonstram que o AEMCNet atinge desempenho e robustez de ponta (SOTA) em diversos conjuntos de dados LF com diferentes linhas de base. Especificamente, no conjunto de dados LF esparso, nosso método reduz o erro quadrático médio (mse) em 49,6%.
Wang et al. (Mon,) estudaram essa questão.