Nonuniform smoothing of depth maps before image-based rendering
Notice bibliographique
Résumé
In a technique called depth image based rendering, new images are generated using information from an original source image and its corresponding depth map, such that the new images appear to have been taken from different camera viewpoints. This technique is bandwidth-efficient and is ideal for multiview display systems, such as autostereoscopic 3D-TV. In a previous study, we demonstrated that uniform smoothing of depth maps through Gaussian filtering helps improve the image quality of the rendered images. In the present study we investigated the potential benefits of two non-uniform smoothing methods: asymmetric smoothing, where the horizontal extent of smoothing was smaller than that in the vertical direction, and adaptive smoothing, where the level and extent of smoothing was based on the local depth magnitude. In this vein, ten viewers assessed image quality and depth quality of four stereoscopic images in which the view to one eye was a rendered image based on one of the three smoothing methods: uniform, asymmetric, or adaptive. The experimental results showed an improvement in ratings of image quality for all three methods as the level of smoothing was increased. The results also indicated a slight advantage in image quality for asymmetric smoothing over the other two methods. Ratings of overall depth quality were significantly higher than corresponding non-stereoscopic references for all three methods, although the ratings decreased at the highest level of smoothing that was used in the present study. In general, ratings of depth quality tended to be marginally lower for the asymmetric method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».