.png){kind=icon}
返回
Unsupervised Angularly Consistent 4D Light Field Segmentation Using Hyperpixels and a Graph Neural Network
.png){kind=icon}
OA
AI
DOI：10.1109/OJSP.2025.3545356.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图像分割是计算机视觉应用中一个关键的初始阶段。然而，无监督图像分割在对象视觉外观相似且重叠的情况下仍然是一项具有挑战性的任务。与二维图像不同，四维光场（LFs）传递了空间和角度场景信息，有助于深度/视差估计，并可进一步用于指导分割。现有的针对对象级（即中级和高级）分割的四维光场分割方法通常采用半监督或监督方式，依赖真实标签，并且大多仅支持密集采样的四维光场。本文提出了一种新颖的无监督中级四维光场分割方法，使用图神经网络（LFSGNN），能够一致地分割所有光场视图。为此，将四维光场表示为超图，其超节点基于超像素过分割获得。然后，利用图神经网络从光场中提取深度特征，并为所有超节点分配分割标签。随后，通过反向传播迭代更新网络参数以实现更好的对象分离。所提出的分割方法支持密集和稀疏采样的四维光场。在合成和真实四维光场数据集上的实验结果表明，所提出的方法在分割空间精度和角度一致性方面均优于基准方法。
Keyword:
Light field
unsupervised segmentation
deep learning
angular consistency
graph neural network
期刊
IF:
2.7
论文数:
146
被引数:
535
机构
引用论文
.png){kind=icon}
Hierarchical and View-invariant Light Field Segmentation by Maximizing Entropy Rate on 4D Ray Graphs通过最大化4D射线图上的熵率来实现分层和视图不变的光场分割
PREAI
分享收藏分享收藏
查看更多内容