CompenHR: Efficient Full Compensation for High-resolution Projector

要約

プロジェクターを完全に補償することは、プロジェクター カメラ システムの実際的なタスクです。
これは、投影時に物理環境とハードウェアによる幾何学的歪みと測光歪みをキャンセルするような、補正イメージと呼ばれるプロジェクター入力イメージを見つけることを目的としています。
最先端の手法では深層学習を使用してこの問題に対処し、低解像度のセットアップでも有望なパフォーマンスを示します。
ただし、深層学習を高解像度のセットアップに直接適用することは、トレーニング時間が長く、メモリのコストが高いため、現実的ではありません。
この問題に対処するために、この文書では実用的な完全補償ソリューションを提案します。
まず、幾何学補正の品質を向上させるために、アテンションベースのグリッド改良ネットワークを設計します。
次に、新しいサンプリング スキームをエンドツーエンドの補償ネットワークに統合して、計算を軽減し、重要な特徴を維持するためにアテンション ブロックを導入します。
最後に、高解像度プロジェクターの完全補正のためのベンチマーク データセットを構築します。
実験では、私たちの方法は効率と品質の両方で明らかな利点を示しています。

要約(オリジナル)

Full projector compensation is a practical task of projector-camera systems. It aims to find a projector input image, named compensation image, such that when projected it cancels the geometric and photometric distortions due to the physical environment and hardware. State-of-the-art methods use deep learning to address this problem and show promising performance for low-resolution setups. However, directly applying deep learning to high-resolution setups is impractical due to the long training time and high memory cost. To address this issue, this paper proposes a practical full compensation solution. Firstly, we design an attention-based grid refinement network to improve geometric correction quality. Secondly, we integrate a novel sampling scheme into an end-to-end compensation network to alleviate computation and introduce attention blocks to preserve key features. Finally, we construct a benchmark dataset for high-resolution projector full compensation. In experiments, our method demonstrates clear advantages in both efficiency and quality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google