.png){kind=icon}
返回
Enhancing light field image super-resolution through Mamba-based spatial–angular correlation learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s00371-025-04178-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
光场相机捕获光线的空间强度和方向信息，使得深度感知、3D重建和视图渲染等应用成为可能。然而，同时捕获高空间分辨率和高角度分辨率仍然具有挑战性，密集的角度采样会导致子孔径图像（SAIs）具有低空间分辨率。本文通过提出一种基于Mamba（一种配备选择性扫描机制的隐状态空间模型，SSM）的新型光场图像超分辨率（SR）方法，解决了这一问题，以有效捕捉非局部空间-角度相关性。我们的方法将4D光场图像转换为2D极线平面图像（EPIs），并采用基于SSM的模块（配备选择性扫描机制）来探索EPIs中的空间-角度相关性。此外，我们提出一个金字塔特征提取模块（PFEM）以在早期处理阶段提取更丰富的信息。在五个公开基准数据集上的实验结果表明，我们的方法不仅优于当前最优的光场图像SR方法，而且在真实场景中保持竞争力，在EPFL数据集上的$$\times 4$$放大倍率下，PSNR增益最高达到0.85 dB。本研究中使用的源代码和数据集可在https://github.com/ChenSorry/MambaLFSR公开获取。
Keyword:
Super-resolution
Light field
Mamba
Spatial–angular correlation
期刊
T
IF:
0
论文数:
369
被引数:
0
机构
引用论文
分享收藏分享收藏Hierarchical feature fusion network for light field spatial super-resolution.png)
VISUAL COMPUTER
VISUAL COMPUTERIF2.9
PREAI
分享收藏
查看更多内容