Learning Optimal Phase-Coded Aperture for Depth of Field Extension
Tutkimustuotos › › vertaisarvioitu
Yksityiskohdat
| Alkuperäiskieli | Englanti |
|---|---|
| Otsikko | 2019 IEEE International Conference on Image Processing (ICIP) |
| Kustantaja | IEEE |
| Sivut | 4315-4319 |
| Sivumäärä | 5 |
| ISBN (elektroninen) | 978-1-5386-6249-6 |
| ISBN (painettu) | 978-1-5386-6250-2 |
| DOI - pysyväislinkit | |
| Tila | Julkaistu - syyskuuta 2019 |
| OKM-julkaisutyyppi | A4 Artikkeli konferenssijulkaisussa |
| Tapahtuma | IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING - Kesto: 1 tammikuuta 1900 → … |
Julkaisusarja
| Nimi | IEEE International Conference on Image Processing |
|---|---|
| ISSN (painettu) | 1522-4880 |
| ISSN (elektroninen) | 2381-8549 |
Conference
| Conference | IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING |
|---|---|
| Ajanjakso | 1/01/00 → … |
Tiivistelmä
We present a learning-based optimization framework for depth of field extension, combining rigorous modeling of coded aperture imaging system and convolutional neural network based deblurring. The coded mask discretization is defined for desired depth range using wave optics based imaging model. Such approach significantly decreases the number of parameters to be optimized and increases the convergence speed of the network. We verify the proposed algorithm in different scenarios achieving superior or comparable performance with respect to existing methods.