编码掩模红外成像的建模与性能分析

针对编码掩模红外成像系统提出了一种建模方法。该模型将成像系统视为由两个功能部分组成,一部分为编码掩模与理想聚焦透镜的理想成像,另一部分为实际透镜自身的非理想成像。据此,系统点扩散函数可以由掩模结构的衍射模式和实际透镜的点扩散函数联合表示。此外,文中对视场内倾斜入射平面波的成像结果进行分析,从而得到了视场内的点扩散函数的变动情况。由码型及相应点扩散函数的指标评价结果可以看出,文中提出的基于Dammann阵列的码型结构对直接成像和图像还原处理具有较为平衡的性能。实验表明,对于编码掩模直接成像系统的码型中应当具有较多的随机性结构,而对于能够做进一步图像还原处理的系统码型中应当具有较多的周期性结构。     

基于超像素与自回归模型的深度恢复

提出基于超像素分割,并联合自回归模型的深度复原方法。首先对已获取的场景彩色图进行过分割,得到彩色图中每个像素的标号,然后构建基于已分割彩色图像指导的自回归模型:根据像素标号对自回归模型系数进行预测,通过优化预测系数差错来实现深度图恢复。实验表明,该算法不仅能有效恢复出深度图,而且在结构边缘细节处更加突出,优于目前主流的方法。     

面向本征图像分解的高质量渲染数据集与非局部卷积网络

目的 本征图像分解是计算视觉和图形学领域的一个基本问题,旨在将图像中场景的纹理和光照成分分离开来。基于深度学习的本征图像分解方法受限于现有的数据集,存在分解结果过度平滑、在真实数据泛化能力较差等问题。方法 首先设计基于图卷积的模块,显式地考虑图像中的非局部信息。同时,为了使训练的网络可以处理更复杂的光照情况,渲染了高质量的合成数据集。此外,引入了一个基于神经网络的反照率图像优化模块,提升获得的反照率图像的局部平滑性。结果 将不同方法在所提的数据集上训练,相比之前合成数据集CGIntrinsics进行训练的结果,在IIW （intrinsic images in the wild）测试数据集的平均WHDR （weighted human disagreement rate）降低了7.29%,在SAW （shading annotations in the wild）测试集的AP （average precision）指标上提升了2.74%。同时,所提出的基于图卷积的神经网络,在IIW、SAW数据集上均取得了较好的结果,在视觉结果上显著优于此前的方法。此外,利用本文算法得到的本征结果,在重光照、纹理编辑和光照编辑等图像编辑任务上,取得了更优的结果。结论 所提出的数据集质量更高,有利于基于神经网络的本征分解模型的训练。同时,提出的本征分解模型由于显式地结合了非局部先验,得到了更优的本征分解结果,并通过一系列应用任务进一步验证了结果。