文献

J-GLOBAL ID：202202280535677475   整理番号：22A0913170

一般的光場再構成のための生成モデル【JST・京大機械翻訳】

A Generative Model for Generic Light Field Reconstruction

著者 (5件)： Chandramouli Paramanand (Department of Computer Science, University of Siegen, Siegen, Germany) ,  Gandikota Kanchana Vaishnavi (Department of Computer Science, University of Siegen, Siegen, Germany) ,  Goerlitz Andreas (Department of Computer Science, University of Siegen, Siegen, Germany) ,  Kolb Andreas (Department of Computer Science, University of Siegen, Siegen, Germany) ,  Moeller Michael (Department of Computer Science, University of Siegen, Siegen, Germany)
資料名： IEEE Transactions on Pattern Analysis and Machine Intelligence  (IEEE Transactions on Pattern Analysis and Machine Intelligence)
巻： 44  号： 4  ページ： 1712-1724  発行年： 2022年 
JST資料番号： B0519B  ISSN： 0162-8828  CODEN： ITPIDJ  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 最近,深層生成モデルは,訓練データの分布のモデリングにおいて印象的な進歩を達成した。本研究では,光場パッチのデータ分布を捉えるために,変分オートエンコーダを用いた4D光場パッチに対する生成モデルを初めて提示した。光場の中心視野に条件付けされた生成モデルを開発し,これをエネルギー最小化フレームワークの事前として組み込み,多様な光場再構成タスクに対処した。純粋学習ベース手法は,そのような問題の各事例で優れた結果を達成するが,それらの適用可能性は,それらが訓練された特定の観察モデルに限定されている。反対に,著者らの訓練された光場生成モデルは,任意のモデルベースの最適化アプローチの事前として組み込むことができ,従って,符号化投影からの光場ビュー合成,空間角超分解能および再構成を含む多様な再構成タスクに拡張できる。提案手法は,合成および実シーンの両者に対して従来のモデルベースアプローチを凌駕しながら,エンドツーエンド訓練ネットワークに接近する性能を有する良好な再構成を示した。さらに,この手法は入力における歪みにもかかわらず信頼できる光場回復を可能にすることを示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  *変分法 ,  学習 ,  ネットワーク ,  モデリング ,  再構成 ,  エンドツーエンド方式 ,  深層
準シソーラス用語： 訓練データ ,  エネルギー最小化 ,  モデルベース ,  *生成モデル ,  *光学場 ,  自己符号化器 , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 光場 ,  再構成 ,  生成モデル