CN110060334A - 基于尺度不变特征变换的计算集成成像图像重构方法 - Google Patents

基于尺度不变特征变换的计算集成成像图像重构方法 Download PDF

Info

Publication number
CN110060334A
CN110060334A CN201910315941.7A CN201910315941A CN110060334A CN 110060334 A CN110060334 A CN 110060334A CN 201910315941 A CN201910315941 A CN 201910315941A CN 110060334 A CN110060334 A CN 110060334A
Authority
CN
China
Prior art keywords
image
viewpoint
array
dimensional element
fritter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910315941.7A
Other languages
English (en)
Other versions
CN110060334B (zh
Inventor
王世刚
李鹤楠
韦健
赵岩
李天舒
高阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN201910315941.7A priority Critical patent/CN110060334B/zh
Publication of CN110060334A publication Critical patent/CN110060334A/zh
Application granted granted Critical
Publication of CN110060334B publication Critical patent/CN110060334B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

基于尺度不变特征变换的计算集成成像图像重构方法属三维图像处理技术领域，本发明使用相对更正确的图像区域替换失真区域，这些图像区域通过对原始对象采集的视图图像和立体元图像之间的匹配得到，由于设备的限制和实验操作的不可避免的缺点，从原始对象采集的视图图像的对应区域不能满足人们的要求，为了解决上述问题，本发明采用SIFT描述子和透视变换来获得合理的正确区域，提供了三维视图图像的仿真和实验结果，以及相应的图像质量评估，以测试和验证所提方法的性能，仿真和实验结果表明，本发明提出的方法优于传统的计算集成成像重构方法，验证了本发明提出的方法的可行性和有效性。

Description

基于尺度不变特征变换的计算集成成像图像重构方法
技术领域
本发明属于三维图像处理领域，具体涉及一种基于尺度不变特征变换和块特征匹配的计算集成成像图像重构方法。
背景技术
三维(3D)成像和显示技术因其在科学研究，医学治疗，工业等领域的许多应用而受到了极大的关注。由Lippmann于1908年提出的集成成像是目前最有前景的3D显示技术之一，因为它该方法能提供全色视差，连续观察点和非相干光。典型的集成成像系统有两个基本部分：采集和显示。在采集过程中，3D场景由具有小透镜阵列或相机阵列的记录装置采集。来自不同视点的3D场景信息记录在立体元图像中。在显示过程中，通过投影仪阵列或在显示面板上显示基本图像，并且在显示面板前放置小透镜阵列以重构3D场景。上面介绍的显示过程是传统的光学重构。由于设备的局限性，该方法总是需要特殊的光学设备然而只能提供低分辨率的3D重构场景。为了克服光学重构的缺点，计算集成成像重构被认为是更清晰地呈现3D场景的可行方法。另外，计算重构可以在2D显示平面上变换要观察的立体元图像，这使得图像处理和信息提取更加容易。
计算集成成像重构方法通过计算机从立体元图像中重构三维场景。前人的研究已经提出了一些计算重构方法：有研究者利用图像插值算法获得分辨率增强的元素图像，并利用元素图像的放大过程重构3D场景，从而提高视觉质量。然而，插值过程可能导致像素的额外误差和更重的计算负荷。还有作者提出了一种基于立体元图像像素重排技术的计算重构方法，该方法可以快速地重构3D图像，但是重构的3D图像的尺寸不同于传统的计算重构。由于在传统的计算重构方法中没有考虑离焦效应，因此有研究者提出了一种使用透镜阵列模型的计算重构方法来克服这种问题。还有研究者提出了一种计算集成成像技术，该技术可以根据基于透镜阵列模型的光线追踪到每个透镜，并通过每个透镜从立体元图像中提取多个像素，该技术可以增强重构的三维图像的观看分辨率，但是需要更多的改进。
1999年Lowe提出的尺度不变特征变换(SIFT)描述子为图像提供了一种尺度不变特征。SIFT描述子由位置、尺度、方向和特征矢量组成。由于在尺度不变特征搜索中具有优异的性能，SIFT描述子已被广泛用于图像检索，图像配准，对象识别等。
发明内容
本发明目的在于提供一种能提高三维重构场景图像质量的集成成像计算重构方法。
本发明的基于尺度不变特征变换的计算集成成像图像重构方法，包括下列步骤：
1.1获得立体元图像阵列和视点图像，具体包括下列步骤：
1.1.1利用MAYA软件生成三维虚拟模型和虚拟相机拍摄阵列，设虚拟相机阵列大小为A×B，调整虚拟相机阵列参数，同时对三维虚拟模型进行拍摄，生成的立体元图像按照相机阵列顺序拼接，得到立体元图像阵列；
1.1.2确定计算重构视点位置(x0，y0，z0)，将一个虚拟相机摆设在该位置，三维虚拟模型位置不变，用该虚拟相机拍摄三维虚拟模型，得到该视点位置的视点图像；
1.2利用步骤1.1.1中得到的立体元图像阵列，根据非周期计算重构方法进行采集端的计算机重构，具体包括下列步骤：
1.2.1根据步骤1.1.2确定的计算重构视点位置，按照小孔阵列模型非周期计算重构算法进行集成成像计算重构，对应每个小孔的像素点，以该点为中心取分辨率为c×c的小块，c的取值满足下列公式：
c＝(gPIl2RI)/[l1(l1+l2+g)]
其中：g是显示平面与透镜阵列的距离；PI是立体元图像的物理尺寸；l1是透镜阵列到计算重构成像平面的距离；l2是计算重构成像平面与视点平面的距离；RI是立体元图像的横向分辨率；
1.2.2通过步骤1.2.1得到分辨率为Ac×Bc的在视点(x0，y0，z0)处的集成成像计算重构图像，将步骤1.1.2得到的视点图像调整分辨率为Ac×Bc；
1.3在采集端，对根据步骤1.2计算重构生成的视点(x0，y0，z0)处的重构图像和步骤1.1.2获得的该视点下的视点图像，用尺度不变特征变换提取特征点；
1.4用对步骤1.3从重构图像和视点图像中提取出的特征点进行匹配，将视点图像按照匹配矩阵变换成模板图像，具体包括下列步骤：
1.4.1利用距离比值算法对步骤1.3从重构图像和视点图像中提取出的特征点进行匹配，确定匹配点对；
1.4.2利用随机取样一致性算法，对步骤1.4.1得到的匹配点对进行筛选，剔除错误的匹配点对；
1.4.3利用步骤1.4.2最终得到的匹配点对，计算在视点(x0，y0，z0)处从视点图像到重构图像的透视变换矩阵；
1.4.4利用步骤1.4.3得到的透视变换矩阵，对在视点(x0，y0，z0)处的视点图像进行透视变换，生成在视点(x0，y0，z0)处的计算重构模板图像；
1.5将步骤1.2.2中生成的在视点(x0，y0，z0)处的重构图像和步骤1.4.4中生成的该视点位置下的模板图像进行分块的特征匹配，具体包括下列步骤：
1.5.1将步骤1.2.2中生成的在视点(x0，y0，z0)处的重构图像和步骤1.4.4中生成的该视点位置下的模板图像按照分辨率c×c大小分别分为A×B个小块，并按照{1，2，3，...，A×B}编号；
1.5.2将步骤1.5.1生成的A×B×2个小块中的相同编号的小块，进行峰值信噪比的计算，定义峰值信噪比低于30的小块为失真小块；
1.6将步骤1.1.1得到的立体元图像阵列和步骤1.5.2产生的失真小块编号，分别传输至图像编码器和数值编码器，产生的码流传输到解码器，这里的编码解码均为无损操作；
1.7将从步骤1.6编码器传输出的码流，即解码器接收到的码流进行解码，得到步骤1.1.1生成的立体元图像阵列和步骤1.5.2生成的失真小块编号；
1.8利用步骤1.7中解码出的立体元图像阵列，根据非周期计算重构方法得出重构端在视点(x0，y0，z0)处的重构图像，步骤1.8与步骤1.2相同；
1.9利用步骤1.7中解码出的失真小块编号，提取该编号下的模板图像小块，和该编号下的重构图像小块对应的立体元图像，在该立体元图像上搜索与对应模板图像小块峰值信噪比最高的小块，并覆盖在重构端的在视点(x0，y0，z0)处的重构图像的相应位置，得到最终的该视点下的集成成像计算重构图像。
本发明利用重构视点处的视图图像与传统的重构3D图像之间的相似性，然后通过基于SIFT描述子的匹配算法调整视图图像。调整后，新视图图像被视为后期重构过程的模板。在本发明的方法中，采用小孔阵列模型非周期计算重构算法来完成传统的三维图像重构。本发明提出的计算集成成像重构方法可以为重构的3D场景提供高图像质量。
附图说明
图1为基于尺度不变特征变换的计算集成成像图像重构方法的流程图
图2为集成成像从采集到显示的原理图
图3为计算集成成像图像重构传统方法的原理图
图4为改进的计算集成成像图像重构传统方法的原理图
图5为用传统方法重构的计算集成成像图像结果图
图6为用改进方法重构的计算集成成像图像结果图
图7为用本发明提出的基于尺度不变特征变换的计算集成成像图像重构方法重构的计算集成成像图像结果图
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。
1.获得立体元图像阵列和视点图像
图1为本发明的流程图，利用MAYA软件生成三维虚拟模型和虚拟相机拍摄阵列，调整虚拟相机阵列参数同时对三维虚拟模型进行拍摄，生成的立体元图像按照相机阵列顺序拼接，得到立体元图像阵列，确定计算重构视点位置(x0，y0，z0)，将一个虚拟相机摆设在该位置，三维虚拟模型位置不变，用该虚拟相机拍摄三维虚拟模型，得到该视点位置的视点图像。
2.利用生成的立体元图像阵列根据非周期计算重构方法进行采集端的计算机重构
本发明根据先前计算重构视点位置按照小孔阵列模型非周期计算重构算法进行集成成像计算重构，对应每个小孔的像素点，以该点为中心取分辨率为c×c的小块，c的取值满足如下公式：
c＝(gPIl2RI)/[l1(l1+l2+g)]
其中：g是显示平面与透镜阵列的距离，PI是立体元图像的物理尺寸，l1是透镜阵列到计算重构成像平面的距离，l2是计算重构成像平面与视点平面的距离，RI是立体元图像的横向分辨率，如图4所示。得到分辨率为Ac×Bc的在视点(x0，y0，z0)处的集成成像计算重构图像，将得到的视点图像调整分辨率为Ac×Bc。
3.确定利用改进的计算集成成像传统重构方法重构出的图像的失真区域
在采集端，对用改进的计算集成成像传统重构方法重构出的视点(x0，y0，z0)处的重构图像和该视点下的视点图像用尺度不变特征变换提取特征点。用利用距离比值算法将从重构图像和视点图像中提取出的特征点进行匹配，用随机取样一致性算法对得到的匹配点对进行筛选，剔除错误的匹配点对，同时生成视点图像到重构图像的透视变换矩阵，将视点图像按照匹配矩阵变换成模板图像。将生成的在视点(x0，y0，z0)处的重构图像和该视点位置下的模板图像按照分辨率c×c大小分别分为A×B个小块，并按照{1，2，3，...，A×B}编号，将生成的共A×B×2个小块中的相同编号的小块进行峰值信噪比的计算，定义峰值信噪比低于30的小块为失真小块。将立体元图像阵列和失真小块编号分别传输至图像编码器和数值编码器，产生的码流传输到解码器。
4.在重构端生成集成成像计算重构图像
将从编码器传输出的码流即解码器接收到的码流进行解码，得到立体元图像阵列和失真小块编号。利用解码出的立体元图像阵列根据非周期计算重构方法得出重构端在视点(x0，y0，z0)处的重构图像。利用解码出的失真小块编号提取该编号下的模板图像小块和该编号下的重构图像小块对应的立体元图像，在该立体元图像上搜索与对应模板图像小块峰值信噪比最高的小块并覆盖在重构端的在视点(x0，y0，z0)处的重构图像的相应位置，得到最终的该视点下的集成成像计算重构图像。
5.传统方法、改进的传统方法、本发明方法得到的集成成像计算重构图像的对比
用传统的集成成像计算重构方法，原理如图3所示，该方法周期地从每个立体元图像提取像素，最终生成的重构图像如图5所示。用改进的集成成像传统计算重构方法，原理如图4所示，得到重构图像如图6所示。用本发明方法，即基于尺度不变特征变换的计算集成成像图像重构方法得到的重构图像如图7所示。

Claims (1)

1.一种基于尺度不变特征变换的计算集成成像图像重构方法，其特征在于包括下列步骤：
1.1 获得立体元图像阵列和视点图像，具体包括下列步骤：
1.1.1 利用MAYA软件生成三维虚拟模型和虚拟相机拍摄阵列，设虚拟相机阵列大小为A×B，调整虚拟相机阵列参数，同时对三维虚拟模型进行拍摄，生成的立体元图像按照相机阵列顺序拼接，得到立体元图像阵列；
1.1.2 确定计算重构视点位置(x0，y0，z0)，将一个虚拟相机摆设在该位置，三维虚拟模型位置不变，用该虚拟相机拍摄三维虚拟模型，得到该视点位置的视点图像；
1.2 利用步骤1.1.1中得到的立体元图像阵列，根据非周期计算重构方法进行采集端的计算机重构，具体包括下列步骤：
1.2.1 根据步骤1.1.2确定的计算重构视点位置，按照小孔阵列模型非周期计算重构算法进行集成成像计算重构，对应每个小孔的像素点，以该点为中心取分辨率为c×c的小块，c的取值满足下列公式：
c＝(gPIl2RI)/[l1(l1+l2+g)]
其中：g是显示平面与透镜阵列的距离；PI是立体元图像的物理尺寸；l1是透镜阵列到计算重构成像平面的距离；l2是计算重构成像平面与视点平面的距离；RI是立体元图像的横向分辨率；
1.2.2 通过步骤1.2.1得到分辨率为Ac×Bc的在视点(x0，y0，z0)处的集成成像计算重构图像，将步骤1.1.2得到的视点图像调整分辨率为Ac×Bc；
1.3 在采集端，对根据步骤1.2计算重构生成的视点(x0，y0，z0)处的重构图像和步骤1.1.2获得的该视点下的视点图像，用尺度不变特征变换提取特征点；
1.4 用对步骤1.3从重构图像和视点图像中提取出的特征点进行匹配，将视点图像按照匹配矩阵变换成模板图像，具体包括下列步骤：
1.4.1 利用距离比值算法对步骤1.3从重构图像和视点图像中提取出的特征点进行匹配，确定匹配点对；
1.4.2 利用随机取样一致性算法，对步骤1.4.1得到的匹配点对进行筛选，剔除错误的匹配点对；
1.4.3 利用步骤1.4.2最终得到的匹配点对，计算在视点(x0，y0，z0)处从视点图像到重构图像的透视变换矩阵；
1.4.4 利用步骤1.4.3得到的透视变换矩阵，对在视点(x0，y0，z0)处的视点图像进行透视变换，生成在视点(x0，y0，z0)处的计算重构模板图像；
1.5 将步骤1.2.2中生成的在视点(x0，y0，z0)处的重构图像和步骤1.4.4中生成的该视点位置下的模板图像进行分块的特征匹配，具体包括下列步骤：
1.5.1 将步骤1.2.2中生成的在视点(x0，y0，z0)处的重构图像和步骤1.4.4中生成的该视点号；位置下的模板图像按照分辨率c×c大小分别分为A×B个小块，并按照{1，2，3，...，A×B}编
1.5.2 将步骤1.5.1生成的A×B×2个小块中的相同编号的小块，进行峰值信噪比的计算，定义峰值信噪比低于30的小块为失真小块；
1.6 将步骤1.1.1得到的立体元图像阵列和步骤1.5.2产生的失真小块编号，分别传输至图像编码器和数值编码器，产生的码流传输到解码器，这里的编码解码均为无损操作；
1.7 将从步骤1.6编码器传输出的码流，即解码器接收到的码流进行解码，得到步骤1.1.1生成的立体元图像阵列和步骤1.5.2生成的失真小块编号；
1.8 利用步骤1.7中解码出的立体元图像阵列，根据非周期计算重构方法得出重构端在视点(x0，y0，z0)处的重构图像，步骤1.8与步骤1.2相同；
1.9 利用步骤1.7中解码出的失真小块编号，提取该编号下的模板图像小块，和该编号下的重构图像小块对应的立体元图像，在该立体元图像上搜索与对应模板图像小块峰值信噪比最高的小块，并覆盖在重构端的在视点(x0，y0，z0)处的重构图像的相应位置，得到最终的该视点下的集成成像计算重构图像。
CN201910315941.7A 2019-04-19 2019-04-19 基于尺度不变特征变换的计算集成成像图像重构方法 Active CN110060334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910315941.7A CN110060334B (zh) 2019-04-19 2019-04-19 基于尺度不变特征变换的计算集成成像图像重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910315941.7A CN110060334B (zh) 2019-04-19 2019-04-19 基于尺度不变特征变换的计算集成成像图像重构方法

Publications (2)

Publication Number Publication Date
CN110060334A true CN110060334A (zh) 2019-07-26
CN110060334B CN110060334B (zh) 2022-02-22

Family

ID=67319694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910315941.7A Active CN110060334B (zh) 2019-04-19 2019-04-19 基于尺度不变特征变换的计算集成成像图像重构方法

Country Status (1)

Country Link
CN (1) CN110060334B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111586316A (zh) * 2020-04-03 2020-08-25 吉林大学 一种基于球面相机阵列生成立体元图像阵列的方法
CN113298701A (zh) * 2021-06-22 2021-08-24 北京航空航天大学 一种多屏拼接的集成成像3d图像配准方法
CN115222895A (zh) * 2022-08-30 2022-10-21 北京百度网讯科技有限公司 图像生成方法、装置、设备以及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101848397A (zh) * 2010-05-14 2010-09-29 西安电子科技大学 一种改进的计算集成图像的高分辨率重构方法
US20110128353A1 (en) * 2009-11-30 2011-06-02 Canon Kabushiki Kaisha Robust image alignment for distributed multi-view imaging systems
CN103345736A (zh) * 2013-05-28 2013-10-09 天津大学 一种虚拟视点绘制方法
WO2017114507A1 (zh) * 2015-12-31 2017-07-06 清华大学 基于射线模型三维重构的图像定位方法以及装置
CN108198132A (zh) * 2017-10-20 2018-06-22 吉林大学 基于块匹配的集成成像图像重构的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110128353A1 (en) * 2009-11-30 2011-06-02 Canon Kabushiki Kaisha Robust image alignment for distributed multi-view imaging systems
CN101848397A (zh) * 2010-05-14 2010-09-29 西安电子科技大学 一种改进的计算集成图像的高分辨率重构方法
CN103345736A (zh) * 2013-05-28 2013-10-09 天津大学 一种虚拟视点绘制方法
WO2017114507A1 (zh) * 2015-12-31 2017-07-06 清华大学 基于射线模型三维重构的图像定位方法以及装置
CN108198132A (zh) * 2017-10-20 2018-06-22 吉林大学 基于块匹配的集成成像图像重构的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
MAOPING RAN 等: "Asphalt Pavement Texture 3D Reconstruction Based on Binocular Vision System with SIFT Algorithm", 《 2017 INTERNATIONAL CONFERENCE ON SMART GRID AND ELECTRICAL AUTOMATION (ICSGEA)》 *
QIUBO ZHONG 等: "Research on 3D reconstruction for robot based on SIFT feature", 《2014 IEEE WORKSHOP ON ADVANCED RESEARCH AND TECHNOLOGY IN INDUSTRY APPLICATIONS (WARTIA)》 *
李玉峰 等: "基于区域分块与尺度不变特征变换的图像拼接算法", 《光学精密工程》 *
涂婷 等: "基于分块和仿射不变性的SIFT图像匹配算法", 《计算机应用研究》 *
贾世杰 等: "基于SIFT的图像匹配算法", 《大连交通大学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111586316A (zh) * 2020-04-03 2020-08-25 吉林大学 一种基于球面相机阵列生成立体元图像阵列的方法
CN113298701A (zh) * 2021-06-22 2021-08-24 北京航空航天大学 一种多屏拼接的集成成像3d图像配准方法
CN113298701B (zh) * 2021-06-22 2022-04-26 北京航空航天大学 一种多屏拼接的集成成像3d图像配准方法
CN115222895A (zh) * 2022-08-30 2022-10-21 北京百度网讯科技有限公司 图像生成方法、装置、设备以及存储介质
CN115222895B (zh) * 2022-08-30 2023-06-27 北京百度网讯科技有限公司 图像生成方法、装置、设备以及存储介质

Also Published As

Publication number Publication date
CN110060334B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
CN107578404B (zh) 基于视觉显著特征提取的全参考立体图像质量客观评价方法
CN103221975B (zh) 三维成像系统
CN107067429A (zh) 基于深度学习的人脸三维重建和人脸替换的视频编辑系统及方法
CN101877143B (zh) 一种二维图像组的三维场景重建方法
CN110060334A (zh) 基于尺度不变特征变换的计算集成成像图像重构方法
CN101883291B (zh) 感兴趣区域增强的视点绘制方法
CN106228528B (zh) 一种基于决策图与稀疏表示的多聚焦图像融合方法
CN110544301A (zh) 一种三维人体动作重建系统、方法和动作训练系统
CN108230438B (zh) 声音驱动辅助侧脸图像的人脸重建方法及装置
CN106997581A (zh) 一种利用深度学习重建高光谱图像的方法
CN109584290A (zh) 一种基于卷积神经网络的立体图像匹配方法
CN110798673A (zh) 基于深度卷积神经网络的自由视点视频生成及交互方法
CN111462302B (zh) 基于深度编码网络的多视点人体动态三维重建方法及系统
CN113762147B (zh) 人脸表情迁移方法、装置、电子设备及存储介质
CN110197505A (zh) 基于深度网络及语义信息的遥感图像双目立体匹配方法
CN110021043A (zh) 一种基于立体匹配和置信度传播的场景深度获取方法
CN109118544A (zh) 基于透视变换的合成孔径成像方法
CN113538243B (zh) 基于多视差注意力模块组合的超分辨图像重建方法
CN107610219A (zh) 一种三维场景重构中几何线索感知的像素级点云稠密化方法
CN112419479A (zh) 一种基于体重身高及身体影像的体型数据计算方法
CN108259893B (zh) 基于双流卷积神经网络的虚拟现实视频质量评价方法
CN111914618A (zh) 基于对抗式相对深度约束网络的三维人体姿态估计方法
CN110490968A (zh) 基于生成对抗网络的光场轴向重聚焦图像超分辨方法
CN113971691A (zh) 一种基于多视角双目结构光的水下三维重建方法
CN109523508B (zh) 一种密集光场质量评价方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant