다중 시점 이미지 재구성은 오랜 기간 연구의 중심 주제였으며, 최근에는 이에 대한 관심이 급격히 증가하고 있다. 다중 시점 이미지를 활용하면 3D 재구성, 비가림(de-occlusion), 깊이 측정(depth sensing), 시선/중요도(saliency) 검출, 그리고 두드러진 물체의 식별을 포함한 다수의 문제에 대한 해법을 제공함과 동시에 다양한 응용의 효과를 증대시킨다. 본 논문은 제한된 센서 해상도로 인해 발생하는 각도 해상도와 공간 해상도 간의 균형이라는 고유한 어려움을 다루면서, 고밀도 라이트 필드(LF) 이미지를 재구성하는 접근법을 제안한다. 우리는 초기 및 심층 특징 추출 단계 모두에서 공간 및 에피폴라(epipolar) 특징을 결합하는 CNN 기반 네트워크를 통해 LF 이미지를 재구성하는 혁신적인 방법을 제안한다. 제안 네트워크는 업샘플링 과정에서 각도 정보를 활용하며, 수평 및 수직 에피폴라 데이터를 효과적으로 분석하기 위해 이중 특징 추출을 사용한다. 또한 수평 및 수직으로 전치된 스택 간의 CNN 블록 내 가중치 공유(weight sharing)는 모델의 경량성을 보존하면서 재구성 품질을 향상시킨다. 실제 데이터와 합성 데이터로 수행한 실험 결과는 본 방법의 효과를 입증하며, 기존의 최신 기법(SOTA)과 비교하여 추론 속도와 재구성 품질 모두에서 우수한 성능을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.