| 研究課題/領域番号 |
21K11935
|
|---|
| 研究機関 | 福井大学 |
|---|
研究代表者 |
吉田 俊之 福井大学, 学術研究院工学系部門, 教授 (50240297)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2024-03-31
|
| キーワード | Depth from Defocus / depth推定 / ニューラルネットワーク / CNN / 誤差低減 / 高精度化 |
|---|
| 研究実績の概要 |
Depth from Defocus(DFD)法は，「レンズの非合焦に伴うボケはモデル化された核関数との畳み込みで生成される」との仮定の下に，対象物体に対する多焦点画像群を用いて物体各点までの距離(depth)値を推定する手法で，過去に様々な手法が提案されている一方，既存の手法はシミュレーションと比べ実画像に対する推定精度が大きく低下する問題が残されている．その解決にはレンズの非理想性を考慮したボケ生成過程の厳密なモデル化が必要であるが，実際にはこうしたアプローチは困難である．そこで本研究ではニューラルネットワーク(NN)の汎用性に着目し，NNの学習を通じてDFD法の推定誤差を低減する手法の研究開発を目的とする．
初年度に当たる令和3年度は，depth値が既知の平面に対する多焦点画像群を計算機シミュレーションで生成し，これを教師データとしてCNNを学習させ，平均推定誤差1%以内を実現するDFD法の構築を目指した．さらに，画像の表面テクスチャやレンズパラメータを変化させた教師データを学習させることで，様々なテクスチャやレンズパラータに対して平均推定誤差0.25%程度の精度を有するCNNベースのDFD法を構築した．
以上により令和3年度の当初目標は達成できたため，次年度の実施計画である実画像に対するCNNの学習法について前倒しで検討を行った．ここでは，対象平面に対するdepth値の差が既知である2組の多焦点画像群を用い，両者に対する推定depth値の差が既知の値に近づく様に学習させることで，真のdepth値を必要としない学習方法について検討を行った結果，従来手法の誤差を改善可能な見通しが得られた．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
初年度の当初目標は達成され，初年度中に次年度の実施計画の一部を遂行しているため，概ね順調に，あるいは当初の計画以上に進んでいると判断される．
|
| 今後の研究の推進方策 |
2年目に当たる令和4年度は，令和3年度に検討した平面に対する2組の実多焦点画像群を用いるCNN学習法をさらに発展させ，実画像に対するdepthの平均推定誤差のさらなる低減を図る．また，表面テキスチャに対する汎化性の向上方法を検討する．さらに，得られたCNNベースのDFDを特性の異なる複数のレンズに適用し，レンズ固有の非理想性に対する補正が可能となるように手法の検討・拡張を行う．
|
| 次年度使用額が生じた理由 |
採択時の減額の結果，購入予定のPCの仕様を下げたことに伴い，使用額に差が生じた．差額は次年度の助成金と併せ，成果発表等に用いる．
|
