目標角度位置的子孔徑圖像合成本部分利用不同稀疏橋梁模板的公共視點作為間接合成方法的參考子孔徑圖像以保證所提出方法的穩(wěn)定性，如圖1中橋梁模板Lrefl與橋梁模板Lref2的公共視點為Lrefl所包含的視點。根據(jù)輸入的參考子孔徑圖像、上述所生成的中間卷積核權(quán)重Wsm:和偏置圖bs.m目標角度位置的子孔徑圖像合成可以表示為tar=(Lrefl*WeAn)+beAi需要注意的是，每個參考子孔徑圖像都會各自分配獨立的一組維度相同的卷積核權(quán)重，參考子孔徑圖像中每一個像素都對應(yīng)一個。2大小的卷積核，以保證生成的子孔徑圖像能保留足夠的細節(jié)信息，減少由于視差問題導(dǎo)致的信息丟失。其原理如圖5所示，利用權(quán)重非共享的相同維度卷積核對參考子孔徑圖像進行卷積，將獲得的初步結(jié)果再結(jié)合所生成的偏置圖以生成細節(jié)信息豐富的目標子孔徑圖像。為有效訓(xùn)練所設(shè)計的網(wǎng)絡(luò)模型，采用￡i損失函數(shù)以最小化重建子孔徑圖像與真值之間的平均絕對誤差其中，jtar表示所提出方法重建的目標子孔徑圖像，jgt為其所對應(yīng)的真值子孔徑圖像。相關(guān)實驗主要利用PyTorch深度學(xué)習(xí)框架進行實施。硬件環(huán)境為24vCPUIntel(R)Xeon(R)Platinum8255CCPU2.50GHz，內(nèi)存為120GB,GPU為NVIDIARTX3090(24GB)。在網(wǎng)絡(luò)訓(xùn)練過程中，選擇使用Adam優(yōu)化器，初始學(xué)習(xí)率設(shè)定為1x10-，并采用衰減因子為0.5、衰減周期為15epoch的學(xué)習(xí)率策略。同時設(shè)定批處理尺寸(BatchSize)為4。
采用兩個公開發(fā)布的光場數(shù)據(jù)集作為實驗測試中的基準數(shù)據(jù)集，分別為所建立的數(shù)據(jù)集，所用的數(shù)據(jù)集都屬于自然場景數(shù)據(jù)集，如表1所示。為得到互不交叉的訓(xùn)練集和測試集，采用了與當前先進方法對自然場景一樣的訓(xùn)練測試集劃分方式，即使用所建立的數(shù)據(jù)集中的100個自然場景光場圖像即用作訓(xùn)練。測試集則由30個選自所建立的數(shù)據(jù)集中的光場圖像(即30 Scenes)以及STFlytro數(shù)據(jù)集的15個Reflective場景和25個Occlusion場景的光場圖像構(gòu)成�？紤]到所提方法具備對不同稀疏橋梁模板處理的能力以及光場圖像可伸縮編碼的視點層數(shù)選擇問題，通過在角度重建任務(wù)3x3到7x7上驗證所提方法的有效性;需要注意的是，所提方法在角度重建任務(wù)3x3到7x7上訓(xùn)練后，同時具備由5個參考子孔徑圖像或者9(3x3)個參考子孔徑圖像重建任意角度位置子孔徑圖像的能力。http://www.czscsmjs.com/
