摘要

本文提出了一种鲁棒且具有协同效应的手工设计特征，以及一种来自卷积神经网络（CNN）架构的简单而高效的深度特征，用于景深估计。本文系统地分析了不同特征的有效性，并揭示了在特征拼接后，各类特征如何相互弥补彼此的不足。为实现完整的景深图估计，我们首先在图像的强边缘区域稀疏地提取图像块，随后利用这些图像块进行深度特征与手工特征的提取。为降低图像块尺度之间的依赖性，我们进一步提出了一种多尺度图像块提取策略。通过神经网络分类器生成稀疏景深图，并结合概率联合双边滤波进行优化。最终的景深图则基于该稀疏景深图，并借助边缘保持滤波后的输入图像进行引导，从而获得。实验结果表明，本方法在景深估计性能上优于当前最先进的算法。本工作可广泛应用于图像分割、模糊放大、全聚焦图像生成以及三维重建等任务。