基于学习的级联深度神经网络立体视图合成
刘伟(音译) *,† 、马丽燕 ** 和崔明月 *
[1] X.Chen,H.Liang,H.Xu,S.Ren,H.Cai,Y.Wang,“基于不对称双向DIBR的三维视频和自由视点视频虚拟视点合成”,《应用科学》,第10卷第5期,15622020年。 [2] L.-H.Wang,J.Zhang,S.-J.Yao,D.-X.Li,M.Zhangs,“基于GPU的3DTV系统实现”,2011年第六届国际图像与图形大会,第847-851页,2011年。 [3] H.Liang,X.Chen,H.Xu,S.Ren,H.Cai,Y.Wang,“视图合成的局部前景移除-遮挡填充方法”,IEEE Access,第8卷,pp.201286-2012992020。 [4] S.Zhu、H.Xu和L.Yan,“一种改进的基于深度图像的交互式3D视频虚拟视图合成方法”,IEEE Access,第7卷,第115171-1151802019页。 [5] L.-H.Wang、X.-J.Huang、M.Xi、D.-X.Li和M.Zhang,“用于3DTV深度生成和孔洞填充的非对称边缘自适应滤波器”,IEEE Trans。 《广播》,第56卷,第3期,第425-431页,2010年。 [6] C.-W.Liu、S.-E.Li、J.-L.Syu、H.-T.Li、W.-H.Cheng、C.-H.Hsia和J.-S.Chiang,“用于3D视图的内容自适应过滤的DIBR”,2014年IEEE国际消费电子会议,台湾,第245-2462014页。 [7] W.Liu,L.Ma,B.Qiu,M.Cui,and J.Ding,“一种基于辅助结构域变换平滑的高效深度图预处理方法,用于3D视图生成”,《公共科学图书馆》,第12卷,第4期,e0175910,2017年。 [8] C.-C.Kao,“基于深度图像渲染的立体图像生成”,《多媒体工具与应用》,第76卷,第11期,第12981-12999页,2017年。 [9] D.Han,H.Chen,C.Tu,Y.Xu,“使用前景对象提取进行视差控制和图像修复的视图合成”,《视觉通信与图像表示杂志》,第56卷,第287-295页,2018年。 [10] A.Q.d.Oliveira、M.Walter和C.R.Jung,“用于视图合成的人工类型识别DIBR方法”,IEEE信号处理快报,第25卷,第11期,第1705-1709页,2018年。 [11] A.Atapour-Abarghouei和T.P.Breckon,“场景深度图像完成背景下合理孔洞填充策略的比较审查”,《计算机与图形》,第72卷,第39-58页,2018年。 [12] W.Liu、D.Zhang、M.Cui和J.Ding,“一种基于深度图的增强渲染方法,带有方向深度过滤器和图像修复”,《视觉计算机》,第32卷,第5期,第579-589页,2016年。 [13] H.C.Burger、C.J.Schuler和S.Harmeling,“图像去噪:普通神经网络能与BM3D竞争吗?”,2012年IEEE计算机视觉和模式识别会议,第2392-2399页,2012年。 [14] C.Dong、C.C.Loy、K.He和X.Tang,“学习用于图像超分辨率的深度卷积网络”,《欧洲计算机视觉会议》,第184-199页,2014年。 [15] J.Sun、W.Cao、Z.Xu和J.Ponce,“学习卷积神经网络以去除非均匀运动模糊”,Proc。 IEEE计算机视觉和模式识别会议,第769-777页,2015年。 [16] I.Laina、C.Rupprecht、V.Belaginnis、F.Tombari和N.Navab,“利用完全卷积剩余网络进行深度预测”,2016年第四届3D视觉国际会议,第239-248页,2016年。 [17] D.Eigen、C.Puhrsch和R.Fergus,“使用多尺度深度网络从单个图像预测深度图”,《神经信息处理系统进展》,第2366-2374页,2014年。 [18] C.Godard、O.Mac Aodha和G.J.Brostow,“具有左右一致性的无监督单目深度估计”,Proc。 IEEE计算机视觉和模式识别会议,第270-279页,2017年。 [19] D.Xu、E.Ricci、W.Ouyang、X.Wang和N.Sebe,“多尺度连续crf作为单目深度估计的顺序深网络”,Proc。 IEEE计算机视觉和模式识别会议,第5354-5362页,2017年。 [20] J.Xie、R.Girshick和A.Farhadi,“Deep3d:使用深度卷积神经网络的全自动二维到三维视频转换”,《欧洲计算机视觉会议》,第842-857页,2016年。 [21]J.Flynn、I.Neulander、J.Philbin和N.Snavely,“深度立体:学习从世界图像预测新视图”,Proc。 IEEE计算机视觉和模式识别会议,第5515-5524页,2016年。 [22]J.Lee、H.Jung、Y.Kim和K.Sohn,“使用多尺度深度神经网络的自动二维到三维转换”,2017 IEEE图像处理国际会议(ICIP),第730-7341017页。 [23]M.Jaderberg,K.Simonyan,A.Zisserman等人,“空间变压器网络”,《神经信息处理系统进展》,第2017-2025页,2015年。 [24]L.Wei,W.Yihong,H.Zhanyi,“电影2D到3D转换技术综述”,《计算机辅助设计与计算机图形学杂志》,第24卷,第1期,第14-28页,2012年。 [25]H.-t.Lim、H.G.Kim和Y.M.Ro,“使用深度卷积神经网络进行视图合成的基于学习的孔洞填充方法”,《电子成像》,2016年第14期,第1-5页,2016年。 [26]C.Li、X.Sang、D.Chen和D.Zhang,“基于上下文学习的深度图像渲染(DIBR)的创新填孔方法”,光电成像与多媒体技术V,第10817卷,第1081706页,国际光学与光子学学会,2018年。 [27]N.K.Kalantari、T.-C.Wang和R.Ramamoorthi,“基于学习的光场相机视图合成”,ACM Trans。 关于图形(TOG),第35卷,第6期,第1-10页,2016年。 [28]Y.Li、J.-B.Huang、N.Ahuja和M.-H.Yang,“深度联合图像过滤”,欧洲计算机视觉会议,第154-169页,2016年。 [29]S.Iizuka、E.Simo-Serra和H.Ishikawa,“全球和本地一致的图像完成”,ACM Trans。 关于图形(ToG),第36卷,第4期,第1-14页,2017年。 [30]K.Nazeri、E.Ng、T.Joseph、F.Z.Qureshi和M.Ebrahimi,“边缘连接:使用对抗性边缘学习进行生成图像修复”,arXiv预印本arXiv:1901.00212019。 [31]L.-C.Chen,J.T.Barron,G.Papandreou,K.Murphy和A.L.Yuille,“使用cnns和判别训练的域变换进行任务特定边缘检测的语义图像分割,”Proc。 IEEE计算机视觉和模式识别会议,第4545-4554页,2016年。 [32]L.Zhang和W.J.Tam,“基于深度图像的3D电视立体图像生成”,IEEE Trans。 《广播》,第51卷,第2期,第191-199页,2005年。 [33]C.Barnes、E.Shechtman、A.Finkelstein和D.B.Goldman,“PatchMatch:结构图像编辑的随机对应算法”,ACM Trans。 图表。, 第28卷,第3期,第24期,2009年。 [34]J.Yu,Z.Lin,J.Yang,X.Shen,X.Lu和T.S.Huang,“门控卷积的自由形式图像修复”,Proc。 IEEE/CVF计算机视觉国际会议,第4471-44802019页。 [35]Y.Chen、L.Shi、Q.Feng、J.Yang、H.Shu、L.Luo、J.-L.Coatrieux和W.Chen,“低剂量CT图像处理的人工抑制字典学习”,IEEE Trans。 医学成像,第33卷,第12期,第2271-2292页,2014年。