|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
6 T2 T N4 H/ P( ]& e, g7 Y, f' z
摘要:半自动2D转3D的关键是将用户分配的稀疏深度转换为稠密深度.现有方法没有充分考虑纹理图像和深度图之间的结构差异,以及2D转3D对用户误标注的容错性.针对上述问题,借助L范数对异常数据的抵制,在一个统一框架下实现结构相关具有容错能力的稀疏深度稠密插值.首先,利用L范数表示估计深度和用户分配深度在标注位置的差异,建立数据项;其次,根据特征的相似性用L范数计算局部相邻像素点之间的深度差异,建立局部正则项;再次,对图像进行超像素分割,根据不同超像素内代表性像素点之间深度差异的L测度,建立全局正则项;最后,用上述数据项和正则项构建能量函数,并通过分裂Bregman算法予以求解.无误差和有误差情况下的实验结果表明,与边缘保持的最优化插值、随机游走、混合图割与随机游走、软分割约束的最优化插值和非局部化随机游走相比，本文估计深度图绘制的虚拟视点图像空洞和伪影损伤更小.在误操作情况下,本文比上述方法PSNR改善了0.9dB以上,且在视觉上屏蔽了用户误操作的影响.
- {2 S& n& Z0 L( u! ~& l; i; x8 q- h% ]
关键词:2D转3D;最优化;随机游走﹔图割;L范数5 n, u# x# F( c% P6 N3 r3 g
$ I9 b) h: D" F( H3 C
& f( U* U( u! @, Q: @ 半自动2D转3D的关键任务是将用户标注的稀疏深度转换为稠密深度.现有方法借助像素点颜色的相似性进行稀疏深度的插值.但这些方法并未充分考虑用户标注误差,以及深度图与纹理图像间结构差异的问题.压缩感知领域的研究表明L范数能够有效抵制异常数据点.; R- c9 S5 V3 a) t# N' I
. G& v, X1 ]& }3 S9 C# @5 h" w: X" r& c6 u, y- W8 t8 @
7 b! P- q6 Q1 _! u8 c5 ^- q
4 Q) V5 L& T5 i. g6 m$ w
8 R9 u3 a' |. y; g' R |
|
/1 
发表于 2021-4-27 11:09
收藏
淘帖
支持！
反对！