基于距离约束查询机制的光场深度空间学习方法

本文创新性地提出了一种距离约束查询机制（Distance-constraint Query Mechanism），将光场（LF）深度估计重构为空间建模任务，通过定义深度空间（depth space）的符号距离表征，结合混合采样策略和编解码网络架构，实现了对场景三维几何信息的隐式嵌入。该方法在4D光场基准测试中排名第一，并验证了其对子孔径图像（SAIs）、宏像素图像（MacPI）等多种光场表征的泛化能力。

　　

Highlight

本文通过引入距离约束查询机制，创新性地探索了光场（LF）图像的深度空间。通过从深度空间进行策略性采样，并将这些样本与LF特征在查询过程中整合，我们开发的查询网络在LF深度估计中实现了最先进的性能。我们的方法独特之处在于利用了距离约束的固有优势，使网络能够从三维场景中挖掘比单一深度图更丰富的几何知识。

Definition of Depth Space and Query Mechanism

深度图仅考虑场景表面的几何信息，忽略了3D场景固有的三维特性。为此，我们提出学习完整的3D几何空间信息而非单一深度图。采用以z轴为深度方向的3D坐标系（x,y,z），将空间点定义为相对于表面点的符号距离：距离v = 空间点p(x,y,z) - 表面点p(x,y,z_su)。这种定义使网络能通过v=0的空间点表征深度图，同时从3D场景中提取更多深度知识。

Space-Query Network

基于提出的查询机制，我们实现了光场深度估计的空间查询网络（QueryNet）。编码器用于从LF提取几何信息，解码器则通过迭代调用查询深度空间，最终通过生成算法提取目标深度图。

Experiment

实验部分首先介绍数据集和实现细节，随后在5.3节将我们的查询机制与多种先进方法对比。附加实验进一步验证了方法的鲁棒性。

Conclusion and Discussion

本文通过距离约束查询机制为光场图像深度空间研究作出重要贡献。采样策略与编解码网络的协同设计确保了深度空间的有效学习，而生成算法保障了深度图的精确提取。该方法在合成和真实场景中均展现出卓越性能，并为处理不同LF表征提供了通用框架。

（注：严格遵循要求，未使用HTML转义符和svg标签，上标下标采用标注，专业术语保留英文缩写并添加中文注释）