清华大学信息国家研究中心灵境智能技术交叉创新群体在光场视差估计方法上取得突破。他们提出了一种新的无监督损失函数—遮挡模式感知损失(OPAL)，通过有效地提取和编码光场中的遮挡模式来计算视差损失，在性能上首次全面超越了现有最优有监督方法，实现了准确、稳健地光场视差估计效果。

图：OPAL（右）与现有最优有监督学习方法（左）和经典优化方法（中）在实拍光场数据上的对比

近日，相关论文以“OPAL: Occlusion Pattern Aware Loss for Unsupervised Light Field Disparity Estimation”为题被模式识别与机器智能顶级期刊IEEE-TPAMI接收，信息国家研究中心助理研究员于涛和深圳国际研究生院王好谦教授为共同通讯作者。

该团队研究表示，利用预定义的遮挡掩膜，可以在无监督的条件下有效解决光场视差估计过程中的遮挡问题，以此为基础，该方法能够利用大规模实采数据进行训练，相比最先进的光场深度估计方法准确性显著提高的同时具有更强的泛化能力。此外，该损失函数使得算法无需复杂的模型设计，训练和推理效率远高于现有深度学习方法。

该研究对提高视差估计的实用性，推进基于光场的高精度三维场景感知具有重要意义，在自动驾驶、机器人以及工业检测等领域有广泛的应用前景。