Obtaining and representing the 4D light field is important for a number of computer vision applications. Due to the high dimensionality, acquiring the light field directly is costly. One way to overcome this deficiency is to reconstruct the light field from a limited number of measurements. Existing approaches involve either a depth estimation process or require a large number of measurements to obtain high-quality reconstructed results. In this paper, we propose a total variation (TV) regularisation sparse model with the alternating direction method of multipliers (ADMM) based on guided filtering, which addresses this depth-dependence problem with only a few measurements. As one of the sparse optimisation methods, TV regularisation based on ADMM is well suited to solve ill-posed problems such as this. Moreover, guided filtering has good edge-preserving smoothing properties, which can be incorporated into the light field reconstruction process. Therefore, high precision light field reconstruction is established with our model. Specifically, the updated image in the iteration step contains the guidance image, and an initialiser for the least squares method using a QR factorisation (LSQR) algorithm is involved in one of the subproblems. The model outperforms other methods in both visual assessments and objective metrics – in simulation experiments from synthetic data and photographic data using produced focal stacks from light field contents – and it works well in experiments using captured focal stacks. We also show a further application for arbitrary refocusing by using the reconstructed light field.

获取和表示 4D 光场对于许多计算机视觉应用非常重要。由于高维，直接获取光场的成本很高。克服这一缺陷的一种方法是从有限数量的测量中重建光场。现有方法涉及深度估计过程或需要大量测量以获得高质量的重建结果。在本文中，我们提出了一种基于引导滤波的具有乘法器交替方向法 (ADMM) 的全变差 (TV) 正则化稀疏模型，该模型仅通过少量测量即可解决这种深度依赖性问题。作为稀疏优化方法之一，基于 ADMM 的 TV 正则化非常适合解决此类不适定问题。而且，引导滤波具有良好的保边平滑特性，可纳入光场重建过程。因此，我们的模型建立了高精度的光场重建。具体来说，迭代步骤中的更新图像包含引导图像，并且使用 QR 分解 (LSQR) 算法的最小二乘法的初始化器参与其中一个子问题。该模型在视觉评估和客观指标方面都优于其他方法——在合成数据和摄影数据的模拟实验中，使用从光场内容中产生的焦点堆栈——并且它在使用捕获的焦点堆栈的实验中效果很好。我们还展示了通过使用重建光场进行任意重新聚焦的进一步应用。可以将其纳入光场重建过程中。因此，我们的模型建立了高精度的光场重建。具体来说，迭代步骤中的更新图像包含引导图像，并且使用 QR 分解 (LSQR) 算法的最小二乘法的初始化器参与其中一个子问题。该模型在视觉评估和客观指标方面都优于其他方法——在合成数据和摄影数据的模拟实验中，使用从光场内容中产生的焦点堆栈——并且它在使用捕获的焦点堆栈的实验中效果很好。我们还展示了通过使用重建光场进行任意重新聚焦的进一步应用。可以将其纳入光场重建过程中。因此，我们的模型建立了高精度的光场重建。具体来说，迭代步骤中的更新图像包含引导图像，并且使用 QR 分解 (LSQR) 算法的最小二乘法的初始化器参与其中一个子问题。该模型在视觉评估和客观指标方面都优于其他方法——在合成数据和摄影数据的模拟实验中，使用从光场内容中产生的焦点堆栈——并且它在使用捕获的焦点堆栈的实验中效果很好。我们还展示了通过使用重建光场进行任意重新聚焦的进一步应用。用我们的模型建立了高精度的光场重建。具体来说，迭代步骤中的更新图像包含引导图像，并且使用 QR 分解 (LSQR) 算法的最小二乘法的初始化器参与其中一个子问题。该模型在视觉评估和客观指标方面都优于其他方法——在合成数据和摄影数据的模拟实验中，使用从光场内容中产生的焦点堆栈——并且它在使用捕获的焦点堆栈的实验中效果很好。我们还展示了通过使用重建光场进行任意重新聚焦的进一步应用。用我们的模型建立了高精度的光场重建。具体来说，迭代步骤中的更新图像包含引导图像，并且使用 QR 分解 (LSQR) 算法的最小二乘法的初始化器参与其中一个子问题。该模型在视觉评估和客观指标方面都优于其他方法——在合成数据和摄影数据的模拟实验中，使用从光场内容中产生的焦点堆栈——并且它在使用捕获的焦点堆栈的实验中效果很好。我们还展示了通过使用重建光场进行任意重新聚焦的进一步应用。其中一个子问题涉及使用 QR 因式分解 (LSQR) 算法的最小二乘法的初始化器。该模型在视觉评估和客观指标方面都优于其他方法——在合成数据和摄影数据的模拟实验中，使用从光场内容中产生的焦点堆栈——并且它在使用捕获的焦点堆栈的实验中效果很好。我们还展示了通过使用重建光场进行任意重新聚焦的进一步应用。其中一个子问题涉及使用 QR 因式分解 (LSQR) 算法的最小二乘法的初始化器。该模型在视觉评估和客观指标方面都优于其他方法——在合成数据和摄影数据的模拟实验中，使用从光场内容中产生的焦点堆栈——并且它在使用捕获的焦点堆栈的实验中效果很好。我们还展示了通过使用重建光场进行任意重新聚焦的进一步应用。