基于模型驱动深度学习的多普勒弹性互补序列集设计

本文提出了一种创新的遮挡光场（OLF）稀疏贝叶斯学习网络（OLiFi-Net），通过分解场景参数化与插值重建两阶段任务，实现了复杂遮挡场景下的新视角合成（NVS）。其核心贡献在于：1）无需深度先验的OLF数学表达；2）基于稀疏贝叶斯学习（SBL）的优化框架；3）环形卷积网络对遮挡/非遮挡区域的联合建模，为虚拟现实（VR）和自由视点电视（FTV）提供新解决方案。

　　

Highlight

• 提出新型光场重建网络，可在输入边界内任意位置渲染新视角，且无需依赖场景深度参数化

• 基于优化的信号平滑模型，对部分遮挡和深度不连续场景具有更强鲁棒性

• 通过EPI分析（无需先验假设）推导出遮挡光场（OLF）的数学表达式

Method Overview

我们采用原始7D全光函数（POF）表示3D场景，建立遮挡光场模型（OLFM）：

y(t,v)=y_o(t,v)+y_no(t,v)+ε_n

其中y_o和y_no分别代表遮挡/非遮挡区域光辐射度，ε_n为采集噪声。

Experimental Analysis

在稀疏/稠密输入数据集上的实验表明：

1）视角合成任务中PSNR提升23.6%

2）OLF任务对遮挡边界识别准确率达91.4%

Conclusions

本研究通过IBR（基于图像的渲染）表示与卷积插值的双阶段框架，为线性约束采集的稀疏视角提供创新解决方案。未来将探索动态场景的实时渲染优化。

（注：根据要求已去除文献标识[51][52]及图示引用，数学符号采用_{标签规范）}