ECCV 2020 | 空间-角度信息交互的光场图像超分辨，性能优异代码已开源( 三 )

? 数值结果
表6 不同超分辨方法数值结果比较

本文插图
? 视觉效果

本文插图
图4 不同超分辨算法视觉效果比较
?运行效率
表7 不同超分辨方法运行效率比较

本文插图
值得一提的是，即使将LF-InterNet的通道数从64减少至32 ，网络仍然可以达到很好的性能，同时参数量与运算量显著降低。
? 不同视角的超分辨性能
【ECCV 2020 | 空间-角度信息交互的光场图像超分辨，性能优异代码已开源】

本文插图
图5 不同视角超分辨性能的可视化对比
? 泛化性能
表8 不同超分辨方法泛化性能比较

本文插图
该文在表1所示的6个公开数据集之外的UCSD数据集上对不同算法的泛化性能进行测试。实验结果表明， LF-InterNet算法可以较好地泛化到其他数据集的新场景。
? 真实降质下的超分性能

本文插图
图6 真实降质下不同算法视觉效果比较
该文在STFlytro数据集原始分辨率的光场图像上对各个算法进行测试，视觉效果对比如图6所示。该文所提LF-InterNet算法在真实降质下可以取得较为理想的超分辨效果。
4
结论
该文提出了空间-角度信息交互的光场图像超分辨网络（LF-InterNet），首先设计了空间特征提取子与角度特征提取子分别提取光场图像的空间与角度特征，而后构建LF-InterNet对两类特征进行渐进式交互融合。
实验验证了该文算法的有效性。 LF-InterNet巧妙利用光场的结构特性，高效融合光场图像的空间信息与角度信息，解决光场图像空间分辨率与角度分辨率之间的矛盾。

本文插图
如何加入？

本文插图