Gradient-Guided Density Redistribution Network for Light Field Full-View Depth Estimation

Tun Wang

doi:10.1109/TCSVT.2026.3664607

Gradient-Guided Density Redistribution Network for Light Field Full-View Depth Estimation

2026-02-13

0

PRE

AI

DOI：10.1109/TCSVT.2026.3664607

原文链接

原文求助

摘要

En 中文

光场（LF）全视图深度估计旨在恢复所有子孔径视图的密集且一致的深度图，这对于3D重建、光场编辑和虚拟现实等应用至关重要。然而，直接将基于中心的体素方法扩展到全视图在计算上不可行，因为它需要为每个视图构建单独的成本体素。此外，现有的全视图传播方法虽然更高效，但在存在遮挡时经常出现边缘增厚和跨视图不一致性问题。在本文中，我们提出了一种梯度引导密度重分配网络（GDRNet），一种新颖的端到端框架，通过构建单个平面密度体素和多平面深度图像，然后将其传播到所有角度视图，从而高效生成全视图深度图。为解决遮挡边缘处的模糊估计，我们仅在扩大的边缘窄带内部执行方向感知的梯度引导密度重分配。对于边缘区域中的每个中心像素，从初始深度图推导出引导梯度以确定法线和切线方向。然后，可通过沿法线方向采样来重分配边缘增厚区域的密度，而沿切线方向的相似性可以填充不一致的坏像素。此外，设计了一个具有四个方向可学习的Sobel核的自适应边缘提取模块，以联合利用空间和角度梯度，实现稳健的边缘检测和定位细化带。在合成和真实光场数据集上的广泛实验表明，GDRNet在定量和定性评估中均达到最先进精度和边缘锐度，同时相比全视图方法保持了计算效率。

Keyword:

Light field

full-view depth estimation

gradient-guided

density redistribution

consistency

Gradient-Guided Density Redistribution Network for Light Field Full-View Depth Estimation

摘要

期刊

机构

引用论文