Light field (LF) imaging enables new possibilities for digital imaging, such as digital refocusing, changing of focus plane, changing of viewpoint, scene-depth estimation, and 3D scene reconstruction, by capturing both spatial and angular information of light rays. However, one main problem in dealing with LF data is its sheer volume. In this context, efficient compression methods are needed for such a particular type of content. In this paper, we propose a content-based LF image-compression method with Gaussian process regression to improve the compression efficiency and accelerate the prediction procedure. First, the LF image is fed to the intra-frame codec of HEVC. In the prediction procedure, the prediction units (PUs) are classified as non-homogenous texture units, homogenous texture units, and visually flat units, based on the content property of the LF image. For each category, we design a corresponding Gaussian process regression (GPR)-based prediction method. Moreover, we propose a classification mechanism to exactly decide to which category the current PU belongs, so as to adjust the trade-off between the computational burden and the LF image coding efficiency. Experimental results demonstrate that the proposed LF image compression method is superior to several other state-of-the-art compression methods in terms of different quality metrics. Furthermore, the proposed method can also achieve a good visual quality of views rendered from decoded LF contents.

中文翻译：

---

具有高斯过程回归的基于内容的光场图像压缩方法

光场 (LF) 成像通过捕获光线的空间和角度信息，为数字成像提供了新的可能性，例如数字重新聚焦、改变焦平面、改变视点、场景深度估计和 3D 场景重建。然而，处理低频数据的一个主要问题是其庞大的体积。在这种情况下，这种特定类型的内容需要有效的压缩方法。在本文中，我们提出了一种基于内容的 LF 图像压缩方法和高斯过程回归，以提高压缩效率并加速预测过程。首先，LF 图像被馈送到 HEVC 的帧内编解码器。在预测过程中，预测单元（PU）被分类为非同质纹理单元、同质纹理单元和视觉平坦单元，基于LF图像的内容属性。对于每个类别，我们设计了相应的基于高斯过程回归 (GPR) 的预测方法。此外，我们提出了一种分类机制来准确决定当前 PU 属于哪个类别，从而调整计算负担和 LF 图像编码效率之间的权衡。实验结果表明，所提出的 LF 图像压缩方法在不同质量指标方面优于其他几种最先进的压缩方法。此外，所提出的方法还可以实现从解码的 LF 内容呈现的视图的良好视觉质量。我们提出了一种分类机制来准确决定当前 PU 属于哪个类别，从而调整计算负担和 LF 图像编码效率之间的权衡。实验结果表明，所提出的 LF 图像压缩方法在不同质量指标方面优于其他几种最先进的压缩方法。此外，所提出的方法还可以实现从解码的 LF 内容呈现的视图的良好视觉质量。我们提出了一种分类机制来准确决定当前 PU 属于哪个类别，从而调整计算负担和 LF 图像编码效率之间的权衡。实验结果表明，所提出的 LF 图像压缩方法在不同质量指标方面优于其他几种最先进的压缩方法。此外，所提出的方法还可以实现从解码的 LF 内容呈现的视图的良好视觉质量。