Light Field Stitching for Extended Synthetic Aperture
Istanbul Medipol University（伊斯坦布尔梅迪波尔大学）
通过捕获空间和角度辐射分布，光场相机引入了传统相机不可能实现的新功能。到目前为止，在光场成像文献中，焦点一直集中在单个光场捕获的理论和应用上。通过组合多个光场，有可能获得新的能力和增强，甚至超越物理限制，例如成像设备的空间分辨率和孔径大小。在本文中，我们提出了一种算法，注册和缝合多个光场。我们利用光场数据的空间和角度采样的规律性，将立体视觉系统中的一些技术推广到光场数据。由于极小的基线和低空间分辨率，这种扩展对于基于微透镜阵列（MLA）的光场相机来说并不简单。通过合并由基于MLA的相机捕获的多个光场，我们获得更大的合成孔径，这导致光场能力的改进，例如增加的深度估计范围/精度和更宽的透视移位范围。
2016-11-15 cs.CV
Eliminating Warping Shakes for Unsupervised Online Video Stitching
Institute of Information Science, Beijing Jiaotong University（北京交通大学信息科学研究所）；Nanyang Technological University（南洋理工大学）；Communication University of Zhejiang（浙江传媒学院）；University of Electronic Science and Technology of China（电子科技大学）
针对视频拼接中非重叠区域的扭曲抖动问题，提出无监督框架StabStitch，整合时空扭曲推导拼接轨迹并通过平滑模型优化，构建新数据集验证其在拼接、稳定效果、鲁棒性和速度上的优势，实现实时在线视频拼接。
2024-07-10 cs.CV
Generative View Stitching
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；Runway ML
本文提出生成视图拼接(GVS)，通过并行采样确保生成场景与预定义相机轨迹一致，解决视频生成中因未来条件缺失导致的碰撞问题，实现稳定且一致的相机引导视频生成。
2026-04-09 cs.CV cs.LG
PIS3R: Very Large Parallax Image Stitching via Deep 3D Reconstruction
Hunan University（湖南大学）；Institut Pascal, Université Clermont Auvergne / CNRS（帕斯卡尔研究所，克莱蒙特-奥弗涅大学 / CNRS）
PIS3R通过深度3D重建技术实现对大视差图像的高效拼接，保留几何完整性并提升下游3D视觉任务的应用能力。
2026-10-28 cs.CV
Neural Light Spheres for Implicit Image Stitching and View Synthesis
Princeton University（普林斯顿大学）；Google Inc.（谷歌公司）
本文提出球面神经光场模型，实现隐式全景拼接与视图合成，联合估计相机路径并重建高分辨率场景，支持实时渲染，优于传统方法。
2025-03-26 cs.CV
Stitching Stabilizer: Two-frame-stitching Video Stabilization for Embedded Systems
Morpho, inc.（Morpho 公司）
在传统的电子视频稳定化中，通过剪切输入帧以消除相机抖动来获得稳定化帧。虽然小的裁剪尺寸导致强稳定性，但从图像质量的观点来看，它不能为我们提供令人满意的结果，因为它缩小了视角。通过融合多个帧，我们可以有效地扩大输入帧的区域，并实现强大的稳定性，即使在一个大的裁剪尺寸。已经研究了几种这样做的方法。然而，它们的计算成本对于智能手机等嵌入式系统来说太高了。我们提出了一个简单的，但令人惊讶的有效算法，称为拼接稳定器。它仅以最小的计算成本将两个帧缝合在一起。它可以在嵌入式系统中实现全高清和30 FPS视频的实时处理。为了清楚地显示效果，我们将其应用于hyperlapse。使用几个片段，我们展示了它比微软和Instagram的现有解决方案产生更稳定和自然的结果。
2016-03-22 cs.CV
Stitching Videos from a Fisheye Lens Camera and a Wide-Angle Lens Camera for Telepresence Robots
Beijing Institute of Technology（北京理工大学）
许多远程呈现机器人都配备了一个面向前方的摄像头用于视频通信，一个面向下方的摄像头用于导航。在本文中，我们提出了缝合视频从FF相机与广角镜头和DF相机与鱼眼镜头的遥现机器人。我们的目标是提供更紧凑和有效的视觉反馈的用户界面的遥现机器人与用户友好的交互体验。为此，我们提出了一种基于多单应性的视频拼接方法，该方法将来自广角相机和鱼眼相机的视频拼接在一起。该方法包括视频图像对齐，接缝切割，图像融合。基于多单应性对准算法，直接将广角视频图像与鱼眼视频图像进行对准，无需标定、畸变校正和反扭曲等过程。因此，我们可以获得一个拼接的视频与形状保持在非重叠区域和对准的重叠区域的远程呈现。为了减轻在远程呈现机器人驱动期间由移动对象和/或移动相机引起的重影效应，找到用于对准的视频合成的最佳接缝，并且考虑空间和时间相干性，将在后续帧中更新最佳接缝。最后拼接的视频通过基于最佳接缝的图像混合来创建。我们进行了用户研究，以证明我们的方法的有效性和优越性的遥现机器人与拼接视频作为视觉反馈。
2019-03-15 cs.CV cs.HC cs.RO
GPU Accelerated Color Correction and Frame Warping for Real-time Video Stitching
Center for Robotics, University of Electronic Science and Technology of China（电子科技大学机器人中心）
针对视频拼接中的时间闪烁、颜色不一致及相机参数不准问题，提出GPU加速的实时系统，结合时空3D-M颜色校正、在线颜色平衡与光流局部变形生成高质量全景视频。
2023-08-17 cs.AI cs.CV cs.GR
Comparative Study of Vision-Based Metric Measurement for Large-Scale Planar Scenes
PowerChina Zhongnan Engineering Corporation Limited（中国电力工程顾问集团有限公司）
本文针对大规模室外场景，使用PTZ相机比较了三种基于视觉的平面度量方法（单目测距、图像拼接和立体测距），分析了它们的精度和适用性。
2026-05-26 cs.AI cs.CV
StabStitch++: Unsupervised Online Video Stitching with Spatiotemporal Bidirectional Warps
Institute of Information Science, Beijing Jiaotong University（北京交通大学信息科学学院）；Visual Intelligence +X International Cooperation Joint Laboratory of MOE, Beijing（教育部视觉智能+X国际合作联合实验室）；School of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院）；School of Media Engineering, Communication University of Zhejiang（浙江传媒学院媒体工程学院）；School of Information and Communication Engineering, University of Electronic Science and Technology of China（电子科技大学信息与通信工程学院）
StabStitch++提出一种无监督在线视频拼接框架，通过虚拟中平面双向分解变形和变形平滑模型，同时优化空间对齐与时间稳定，解决了视频拼接中的变形抖动问题，并在性能、鲁棒性和效率上超越现有方法。
2025-05-08 cs.AI cs.CV
Robust image stitching with multiple registrations
Cornell Tech（康奈尔科技校区）；Google Research（谷歌研究院）
全景图生成是计算机视觉中应用最广泛的技术之一。除了谷歌街景等行业应用外，它还被数百万消费者用于智能手机和其他相机。传统上，该问题被分解为三个阶段：配准，它选择每个源图像的单个变换以将其与其他输入对齐;接缝查找，它为最终结果中的每个像素选择源图像;以及混合，它修复轻微的视觉伪影。在这里，我们观察到，使用一个单一的注册往往会导致错误，特别是在场景中具有显着的深度变化或对象运动。相反，我们建议使用多个注册，允许在不同深度的图像区域被捕获以更高的精度。MRF推理技术自然延伸到多个注册的接缝查找，我们在这里表明，他们的能量函数可以很容易地修改与新的条款，阻止重复和撕裂，常见的问题，加剧了使用多个注册。我们的技术是密切相关的基于层的立体，并移动图像拼接更接近明确的场景建模。实验证据表明，我们的技术往往产生显着更好的视差时，有大量的运动或视差。
2020-11-23 cs.CV
ARPOV: Expanding Visualization of Object Detection in AR with Panoramic Mosaic Stitching
New York University（纽约大学）；Spectral Sciences, Inc.（Spectral Sciences公司）
针对AR头显视频视野有限及目标检测结果缺乏时空上下文的问题，本文提出ARPOV交互式视觉分析工具，利用全景拼接、坏帧过滤和调试交互增强模型输出理解，并经5位专家验证。
2024-10-01 cs.CV
FaceCam: Portrait Video Camera Control via Scale-Aware Conditioning
University of California, Merced（加州大学梅尔塞德斯分校）；Adobe Research（Adobe研究）
FaceCam通过尺度感知条件化方法，提升单目人像视频的相机控制能力与视觉质量。
2026-03-05 cs.CV
A Feature based Approach for Video Compression
利用图像匹配算法进行全景图像拼接存在成本高、实时性差等问题。本文充分利用Harris角点不变量的特征化方法，结合光强平行意义、平移和旋转，提出了一种实时全景图像拼接算法。根据FPGA经典算法的基本特点和性能，对特征点提取、匹配描述等几个模块进行了基于特征的逻辑优化。实时优化系统，实现高精度匹配。新算法从像素域对Xilinx Spartan-6硬件平台上CCD相机拍摄的图像进行处理。经过图像拼接算法，最终将形成便携式界面，在显示器上输出高清内容。实验结果表明，该算法具有较高的定位精度和较好的实时性和鲁棒性。
2016-05-26 cs.CV cs.MM
On the Accuracy of Point Localisation in a Circular Camera-Array
0pt School of Computer
虽然在光场和相机阵列图像处理方面已经取得了许多进展，但仍然缺乏对不同多相机系统的定位精度的透彻分析。通过从帧量化的角度考虑这个问题，我们能够量化圆形相机配置的点定位误差。具体而言，我们获得封闭形式的表达式，边界的定位误差的参数描述的采集设置。这些理论结果是独立的本地化算法，从而提供性能的基本限制。此外，新的帧量化视角足够通用，可以扩展到更复杂的相机配置。
2016-02-24 cs.CV
Mobile Camera Array Calibration for Light Field Acquisition
Kyushu University（九州大学）
光场相机对于计算机图形和视觉应用是有用的。校准是这些应用的重要步骤。标定后，利用标定后的摄像机参数对采集到的图像进行校正。然而，大型摄像机阵列的标定方法，它假设所有的摄像机是在同一个平面上，忽略了方向和内部参数。多摄像机标定技术通常假设工作体积和视点是固定的。在本文中，我们描述了一种适用于基于移动相机阵列的光场采集系统的校准算法。该算法通过移动棋盘格来执行张的风格，并以封闭形式计算初始参数。然后应用全局优化来同时细化所有参数。我们的实现是相当灵活的，因为用户可以分配的观点和内部参数的细化是可选的。仿真数据和商业产品采集的真实数据的实验表明，我们的方法产生了良好的效果。数字再聚焦应用表明，校准后的光场能够很好地聚焦到所需的目标物体上。
2014-07-16 cs.CV
Total Variation-Based Dense Depth from Multi-Camera Array
National University of Ireland, Galway（爱尔兰国立高威大学）
多相机阵列越来越多地用于消费者和工业应用中，并且记录了各种被动技术以估计来自此类相机阵列的深度。当前的深度估计方法提供成像场景中的深度的有用估计，但是由于显著的计算要求而通常是不切实际的。本文提出了一种新的框架，从多相机阵列/光场相机生成高质量的连续深度图。所提出的框架利用对局部对极平面图像（EPI）的分析来启动深度估计过程。然后，使用基于Fenchel-Rockafellar对偶的总变差（TV）最小化来处理估计的深度图。该方法的基础上，一个众所周知的基准评估表明，所提出的框架相比，排名靠前的深度估计方法和基线算法的准确性方面表现良好。测试数据集包括真实感和非真实感场景。值得注意的是，当与顶级算法相比时，实现等同精度所需的计算要求显著降低。因此，所提出的框架是适合部署在消费者和工业应用。
2017-11-21 cs.CV
Neighbor-Aware View Synthesis for Restoring Missing Views in Light-Field Camera Arrays
Indian Institute of Technology Kanpur (IIT Kanpur)（印度坎普尔理工学院（IIT坎普尔））
本文针对光场相机阵列中视图缺失问题，提出基于cGAN的邻域感知视图合成框架，在合成与真实数据集上的实验表明其性能优于基线方法，可实现鲁棒高效的容错光场图像采集。
2026-08-25 cs.CV
Sub-millisecond Video Synchronization of Multiple Android Smartphones
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；Saint Petersburg State University（圣彼得堡国立大学）
本文讨论了建立一个负担得起的易于设置的同步多视图相机系统，这是在高动态环境中的许多计算机视觉和机器人应用的需求的问题。在我们的工作中，我们为这个问题提出了一个解决方案-一个公开的Android应用程序，用于在多个智能手机上同步视频录制，具有亚毫秒的精度。我们提出了一个广义的数学模型的Android智能手机的时间戳，并证明其适用于47个不同的物理设备。此外，我们估计了这些智能手机的时间漂移参数，对于大多数考虑的设备，时间漂移参数小于每分钟1.2毫秒，这使得智能手机的相机系统成为专业多视图系统的有价值的模拟。最后，我们展示了Android应用程序的性能从Android智能手机构建的相机系统定量设置与灯光和定性-全景拼接任务。
2021-08-26 cs.CV
Augmented Robust PCA For Foreground-Background Separation on Noisy, Moving Camera Video
University of Michigan（密歇根大学）
本文提出了一种新的基于全变分正则化的鲁棒PCA方法，用于对有噪声的运动摄像机视频进行前景-背景分离和去噪。我们提出的算法注册的原始（可能损坏）的视频帧，然后联合处理注册的帧，以产生一个分解的场景到一个低秩的背景组件，捕获的静态组件的场景，一个平滑的前景组件，捕获的动态组件的场景，和一个稀疏的组件，可以隔离腐败和其他非理想。与现有的方法不同，我们提出的算法产生一个全景低秩组件，跨越整个视野，自动拼接在一起损坏的数据从部分重叠的场景。我们的鲁棒PCA模型的低秩部分是基于最近发现的最佳低秩矩阵估计（OptShrink），不需要参数调整。我们证明了我们的算法在静态和移动摄像机视频被噪声和离群值破坏的性能。
2017-09-27 cs.CV stat.ML
Array Camera Image Fusion using Physics-Aware Transformers
Duke University（杜克大学）；University of Arizona（亚利桑那大学）
我们展示了一个物理感知的Transformer，用于从具有不同分辨率、颜色空间、焦平面、焦距和曝光的相机进行基于特征的数据融合。我们还展示了一个可扩展的解决方案，合成训练数据生成的Transformer使用开源计算机图形软件。我们展示了不同的光谱响应，瞬时视场和帧速率的阵列上的图像合成。
2022-07-05 cs.CV eess.IV
FPA-CS: Focal Plane Array-based Compressive Imaging in Short-wave Infrared
Carnegie Mellon University（卡内基梅隆大学）；Rice University（莱斯大学）
用于在短波和中波红外光谱中成像的相机比其在可见光成像中的对应物昂贵得多。因此，这些光谱中的高分辨率成像仍然超出了大多数消费者的能力范围。在过去的十年中，压缩传感（CS）已经成为实现廉价短波红外相机的潜在手段。一种方法是单像素相机（SPC），其中单个检测器获取高分辨率图像的编码测量值。然后使用计算重建算法从这些编码测量恢复图像。不幸的是，SPC的测量速率不足以实现高空间和时间分辨率的成像。我们提出了一种基于焦平面阵列的压缩感知（FPA-CS）架构，实现了高的空间和时间分辨率。这个想法是使用并行感测的SPC阵列来增加测量速率，从而增加相机的可实现的时空分辨率。我们开发了一个概念验证的原型在短波红外线使用64 $\times$ 64像素的传感器;原型提供了一个4096 $\times$增加的测量速率相比，SPC，并实现了百万像素的分辨率在视频速率使用CS技术。
2015-04-16 cs.CV
Multi-Cali Anything: Dense Feature Multi-Frame Structure-from-Motion for Large-Scale Camera Array Calibration
School of Computer Science, Carnegie Mellon University（计算机科学系，卡内基梅隆大学）；Electrical and Computer Engineering, Carnegie Mellon University（电气与计算机工程，卡内基梅隆大学）；Harvard John A. Paulson School of Engineering And Applied Sciences, Harvard University（哈佛大学约翰·A·保罗森工程与应用科学学院）；Department of Electrical and Electronic Engineering, The University of Hong Kong（香港大学电子与电气工程系）；School of Mathematical Science, University of Nottingham（诺丁汉大学数学科学学院）；Weill Cornell Medicine, Cornell University（韦尔医学院，康奈尔大学）；Meta Reality Labs（Meta现实实验室）
针对大规模相机阵列标定需专门拍摄标定物、内参易随环境变动的问题，提出稠密特征驱动的多帧标定方法，通过改进传统SfM流程实现无需额外标定拍摄的高精度内参优化与三维重建，可即插即用于现有流程。
2025-08-01 cs.CV
Toward Long Distance, Sub-diffraction Imaging Using Coherent Camera Arrays
Rice University（莱斯大学）；Northwestern University（西北大学）；California Institute of Technology（加州理工学院）
在这项工作中，我们提出使用相机阵列加上相干照明作为一种有效的方法，提高空间分辨率在长距离图像的一个因素的10倍及以上。叠联成像的最新进展表明，人们可以在显微镜中超越物镜的衍射极限成像。我们展示了一个类似的成像系统，在远程成像超过衍射极限的图像。我们模拟了一个相机阵列与一个单一的相机连接到一个X-Y平移阶段。我们表明，一个适当的相位恢复为基础的重建算法可以有效地恢复丢失的高分辨率细节从多个低分辨率采集图像。我们分析了噪声的影响，所需的图像重叠程度，以及增加合成孔径大小对重建图像质量的影响。我们表明，相干相机阵列有可能大大提高成像性能。我们的模拟显示，10倍以上的分辨率增益是可以实现的。此外，我们的概念验证系统的实验结果显示，对于真实场景，分辨率提高了4倍至7倍。最后，我们介绍和分析模拟一个新的策略，捕捉宏观傅立叶重叠关联图像在一个单一的快照，虽然使用相机阵列。
2015-10-28 cs.CV physics.optics
Selective Light Field Refocusing for Camera Arrays Using Bokeh Rendering and Superresolution
National University of Defense Technology（国防科技大学）；Sun Yat-sen University（中山大学）
相机阵列在单个快照内提供空间和角度信息。使用重新聚焦方法，焦平面可以在曝光后改变。在这封信中，我们提出了一个光场重聚焦的方法，以提高相机阵列的成像质量。在我们的方法中，首先估计差异。然后，通过使用基于深度的各向异性滤波器来渲染未聚焦区域（散景）。最后，通过基于重构的超分辨率方法产生重聚焦图像，其中散景图像用作正则化项。我们的方法可以选择性地重新聚焦图像与聚焦区域被超分辨率和散景被美学渲染。我们的方法还可以对景深进行后调整。我们在公共和自行开发的数据集上进行实验。与其他最先进的方法相比，我们的方法以可接受的计算成本实现了优异的视觉性能。代码可在https://github.com/YingqianWang/Selective-LF-Refocusing上获得。
2021-08-09 cs.CV eess.IV
VidPanos: Generative Panoramic Videos from Casual Panning Videos
University of Washington（华盛顿大学）；Google DeepMind（谷歌DeepMind）；UC Berkeley（加州大学伯克利分校）；Weitzmann Institute of Science（魏茨曼科学研究所）
该研究将随手拍摄的平移视频全景合成建模为时空外绘问题，通过把生成式视频模型嵌入完整系统，生成与输入等长且时空一致的广角全景视频。
2024-10-27 cs.CV cs.GR
Deep Demosaicing for Polarimetric Filter Array Cameras
Ca’Foscari University of Venice（威尼斯大学）
偏振滤波器阵列（PFA）相机允许以简单且具有成本效益的方式分析光偏振状态。此类滤光片阵列用作彩色相机的拜耳模式，具有类似的优点和缺点。其中，原始图像去马赛克必须考虑到PFA的局部变化和成像场景的特性。非线性效应，如相邻像素之间的串扰，很难明确建模，并表明数据驱动学习方法的潜在优势。然而，PFA不能从传感器中移除，使得难以获得用于训练的地面真实偏振状态。在这项工作中，我们提出了一种新的基于CNN的模型，直接去马赛克的原始相机图像的每像素斯托克斯矢量。我们的贡献是双重的。首先，我们提出了一个网络架构组成的一个序列的马赛克卷积操作相干的本地安排不同的过滤器。其次，我们引入了一种新的方法，采用消费者液晶屏，有效地获取真实世界的数据进行训练。该过程被设计为不受监视器伽马和外部照明条件的影响。我们广泛地比较了我们的方法与算法和基于学习的去马赛克技术，获得了一致的较低误差，特别是在偏振角方面。
2022-11-24 cs.CV eess.IV
High-speed Video from Asynchronous Camera Array
Portland State University（波特兰州立大学）
本文提出了一种利用异步摄像机阵列捕获高速视频的方法。我们的方法顺序地发射相机阵列中的每个传感器，具有很小的时间偏移，并根据时间戳将捕获的帧组装成高速视频。然而，所得到的视频遭受由相机阵列中的传感器之间的视点差异引起的视差抖动。为了解决这个问题，我们开发了一个专用的新的视图合成算法，转换的视频帧，如果他们被捕获的一个单一的参考传感器。具体地，对于来自非参考传感器的任何帧，我们找到由参考传感器捕获的两个时间相邻的帧。使用这三个帧，我们渲染一个新的帧与非参考帧相同的时间戳，但从参考传感器的角度来看。具体来说，我们将这些帧分割成超像素，然后应用局部内容保持变形来变形它们以形成新的帧。我们采用多标签马尔可夫随机场方法来混合这些扭曲的帧。我们的实验表明，我们的方法可以产生高质量和高速视频的各种各样的场景，大视差，场景动态和相机运动，并优于几个基线和国家的最先进的方法。
2019-01-17 cs.CV cs.GR eess.IV
Thin On-Sensor Nanophotonic Array Cameras
Princeton University（普林斯顿大学）；University of Washington（华盛顿大学）
本文提出一种基于倾斜微透镜阵列超表面与可微优化及生成扩散模型重建方法的平坦纳米光子计算相机，在700纳米厚度下实现宽带百万像素成像。
2023-08-05 cs.CV physics.optics
Enhanced Self-Supervised Multi-Image Super-Resolution for Camera Array Images
本文提出多到单引导多到多自监督学习框架，结合多到单和多到多方法，提升多图像超分辨率的图像质量和细节恢复能力。
2026-04-10 cs.CV physics.optics
A Camera That CNNs: Towards Embedded Neural Networks on Pixel Processor Arrays
University of Bristol（布里斯托大学）；University of Manchester（曼彻斯特大学）
我们提出了一个卷积神经网络实现像素处理器阵列（PPA）传感器。PPA硬件由细粒度的通用处理元件阵列组成，每个处理元件都能够进行光捕获、数据存储、程序执行以及与邻近元件的通信。这允许在光捕获点直接存储和操作图像，而不必将图像传输到外部处理硬件。我们的CNN方法将该阵列划分为4x4的处理元素块，基本上是权衡图像分辨率以增加每个4x4“像素”的本地存储器容量。我们实现并行操作的图像添加，减法和移位图像在这个4 × 4块格式。使用这些组件，我们制定了如何对这些图像执行三进制权重卷积，压缩存储这种卷积的结果，执行最大池化，并将得到的子采样数据传输到附加的微控制器。我们训练三元权重滤波CNN的数字识别和一个简单的跟踪任务，并证明这些网络的推理SCAMP5 PPA系统。这项工作是直接将神经网络处理能力嵌入到传感器焦平面上的第一步。
2019-09-13 cs.CV cs.ET
Collaborative On-Sensor Array Cameras
Princeton University（普林斯顿大学）；KAUST（阿卜杜拉国王科技大学）；Université Paris-Saclay（巴黎萨克雷大学）；University of Washington（华盛顿大学）
该研究提出分布式超光学学习方法，优化含1亿纳米柱的协同超表面阵列，结合视差与噪声感知的非生成式重建，实现宽带成像，性能不受场景照明光谱影响。
2026-09-07 cs.CV cs.DC physics.optics
A Preliminary Study on Optimal Placement of Cameras
Beijing 101 Middle School（北京一零一中学）
本文主要关注找出最佳的摄像头或视觉传感器阵列，以便这样的放置能够最大限度地利用这些视觉传感器。最大化这些摄像机的利用率可以转换为另一个问题，该问题对于公式化来说更简单，即，最大化这些摄像机的总覆盖率。为了解决这个问题，首先定义的覆盖问题的能力和限制的摄像机。然后，相机的位姿进行分析，以获得最佳的安排。
2019-10-26 cs.CV eess.IV
Ray Tracing-Guided Design of Plenoptic Cameras
Kiel University（基尔大学）
全光相机的设计需要两个不同的光学系统的组合，即主透镜和微透镜阵列。并且，虽然常规相机的构造过程主要涉及将图像聚焦到单个平面上，但是在全光相机的情况下，可能存在附加要求，诸如预定义的景深或相邻微透镜图像中的视差的期望范围。由于这种复杂性，多个全光相机设置的手动创建通常是耗时的任务。在这项工作中，我们假设一个模拟框架，以及给出的主要镜头数据，并提出了一种方法来计算剩余的光圈，传感器和微透镜阵列参数下的不同的约束条件。我们的光线跟踪为基础的方法，导致模型优于他们的吊坠产生的常用的傍轴近似在图像质量方面，同时仍然满足所需的限制。包括30个全光相机设计的实施和评估设置都是公开可用的。
2022-03-09 cs.CV cs.GR eess.IV
