基于校正遮挡感知的光场深度估计

光场图像能够同时记录空间中不同位置和方向的光线信息,为估计精确的深度图提供了丰富的信息。然而在遮挡和重复纹理等复杂场景下,提取图像特征不足会导致深度图的细节丢失。本文提出了一种基于校正卷积的光场深度估计网络,充分利用光场图像丰富的结构信息以改善遮挡等复杂区域的深度估计。利用初始视差图和子孔径图像生成遮挡掩膜,采用校正卷积判别和编码遮挡区域的空间信息以感知遮挡区域,结合多尺度特征以补充易丢失的边缘细节信息。通过空间注意力机制给予遮挡区域更大权重,消除冗余信息并全局优化亚像素代价体。实验结果表明,该方法在4D光场基准平台上的平均MSE和BadPix(ε=0.03)分别达到了0.951和4.261,在大部分场景下能实现最小误差的深度估计,对遮挡区域表现出较高的鲁棒性并优于其他算法。

基于掩膜生成网络的遮挡人脸检测方法

针对复杂遮挡条件下人脸检测精度低的问题,提出一种基于掩膜生成网络(MGN)的遮挡人脸检测方法。对人脸训练集进行预处理,将训练人脸划分为25个子区域,并为每个子区域分别添加遮挡。将一系列添加遮挡的人脸图像和原始人脸图像作为图像对依次输入MGN进行训练,以生成对应各个遮挡子区域的遮挡掩膜字典。通过组合相关字典项生成与检测人脸遮挡区域相对应的组合特征掩膜,并将该组合特征掩膜与检测人脸深层特征图相点乘,以屏蔽由局部遮挡引起的人脸特征元素损坏。在AR和MAFA数据集上进行实验,结果表明,该方法的检测精度高于MaskNet、RPSM等方法,且检测速度较快。

用光信息处理方法对分形图象实现分数傅里叶变换

用光学方法成功地实现了雪花分形的分数傅里叶变换 ,采用掩膜板遮挡的方法对分形图形的分数傅里叶变换谱及自相似结构进行了研究 ,并与常规傅里叶变换频谱作了比较 ,提供了用光学方法实现分形图形分数傅里叶变换的方法 。