L'image du champ lumineux peut simultanément enregistrer des informations sur les rayons lumineux à différentes positions et directions dans l'espace, fournissant ainsi des informations riches pour estimer une carte de profondeur précise. Cependant, dans des scènes complexes telles que les occultations et les textures répétées, l'extraction insuffisante des caractéristiques de l'image entraîne une perte de détails dans la carte de profondeur. Cet article propose un réseau d'estimation de profondeur du champ lumineux basé sur la convolution corrigée, exploitant pleinement les riches informations structurelles de l'image du champ lumineux pour améliorer l'estimation de la profondeur dans les zones complexes telles que les occultations. Un masque d'occultation est généré en utilisant la carte de disparité initiale et les images sous-ouverture, la convolution corrigée est employée pour discriminer et coder les informations spatiales des zones occultées afin de les détecter, combinée à des caractéristiques multi-échelles pour compléter les détails des bords facilement perdus. Grâce à un mécanisme d'attention spatiale, les zones d'occultation reçoivent un poids plus important, éliminant les informations redondantes et optimisant globalement le coût subpixel. Les résultats expérimentaux montrent que cette méthode atteint une MSE moyenne et un BadPix (ε=0.03) de 0,951 et 4,261 respectivement sur la plateforme de référence 4D du champ lumineux, réalisant une estimation de profondeur minimale dans la plupart des scènes, montrant une grande robustesse dans les zones d'occultation et surpassant d'autres algorithmes.

champ lumineux;estimation de profondeur;masque d'occultation;convolution corrigée;attention spatiale