Learning Three-Domain Implicit Image Function for Arbitrary-Scale Light Field Super-Resolution

Ruixuan Cong

doi:10.1109/TPAMI.2026.3679405

Learning Three-Domain Implicit Image Function for Arbitrary-Scale Light Field Super-Resolution

2026-04-07

0

PRE

AI

DOI：10.1109/TPAMI.2026.3679405

原文链接

原文求助

摘要

En 中文

近年来，基于深度学习的光场图像超分辨率方法已取得显著成功。然而，大多数方法侧重于编码器设计，而忽略了解码器部分上采样过程的关键作用。受单图像域中隐式神经表示的最新进展启发，本文精心提出了一种空间-角度-极线隐式图像函数（SAEIIF），能够重新定义上采样过程以显著提升性能，并实现任意尺度的光场超分辨率。具体而言，它包含两个互补的上采样分支。一个分支整合空间隐式图像函数（SIIF）和角度隐式图像函数（AIIF），以挖掘子孔径图像中的视图内信息和宏像素间的视图间信息。另一个分支涉及极线隐式图像函数（EIIF），以利用极平面图像中的空间-角度相关性。通过将SIIF、AIIF和EIIF分解为水平和垂直两步上采样以形成上采样尺度的完美匹配，SAEIIF引入了跨两个分支的多阶段特征交互架构，以充分融合空间、角度和极线域信息。此外，我们基于子孔径图像、宏像素和极平面图像的特性优化特征采样策略，为SIIF和AIIF引入水平-垂直可分离局部采样，以及为EIIF引入双源定向线采样。广泛的实验结果表明，我们的SAEIIF能够有效集成到大多数编码器中，并在固定尺度和任意尺度的光场空间超分辨率、角度超分辨率以及空间-角度联合超分辨率方面均取得卓越性能。

Keyword:

Light field

spatial-angular-epipolar implicit image function

horizontal-vertical separable local sampling

dual-source oriented line sampling

arbitrary-scale super-resolution

Learning Three-Domain Implicit Image Function for Arbitrary-Scale Light Field Super-Resolution

摘要

期刊

机构

引用论文