Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Vargas Díaz, Edwin MauricioArguello Fuentes, HenryMartínez Estrada, Emmanuel David2024-03-0420212024-03-0420212021https://noesis.uis.edu.co/handle/20.500.14071/41578En los últimos años, estimar la profundidad de una escena se ha convertido en unatarea desafiante, debido a que esta información se desvanece al adquirir una única proyección conun sensor bidimensional, generando un problema inverso mal planteado. La profundidad se puedeestimar de manera robusta aprovechando la información espacial y angular que proporcionan loscampos de luz. Sin embargo, adquirir los campos de luz requieren un alto costo de almacenamientoy de procesamiento limitando el uso de esta tecnología en aplicaciones prácticas. Para superar estalimitación, la teoría de muestreo compresivo ha permitido el desarrollo de arquitecturas ópticaspara adquirir una única proyección codificada del campo de luz. Sin embargo, este tipo de técnicasrequieren un alto costo computacional para decodificarla. Este trabajo propone optimizar conjuntamente una arquitectura Óptica para adquirir el campo de luz a partir de una única proyección y unared neuronal convolucional que funciona como decodificador en un enfoque de extremo a extremopara la estimación de la profundidad. Esto permite estimar directamente la profundidad desde lasmedidas comprimidas omitiendo el proceso de reconstrucción del campo de luz que se requiere enenfoques tradicionales. Para el decodificador se propone una red compuesta de bloques residualesy proyecciones ascendentes basada en la arquitectura U-net, que contribuye a la estimación óptimade la profundidad a partir de la escasa información que brindan las medidas comprimidas. Experimentalmente, se encontró que el método propuesto estima mapas de disparidad comparables conlos obtenidos usando campos de luz reconstruidos. Además, el método propuesto es 20 veces másrápido en el entrenamiento y 23 veces más rápido en la inferencia en comparación con el mejormétodo que estima la profundidad a partir de campos de luz reconstruidos.application/pdfspahttp://creativecommons.org/licenses/by/4.0/Estimación de profundidadCampo de luzMuestreo compresivoRedes neuronales convolucionalesEnfoque de extremo a extremo.Universidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coDepth EstimationLight FieldCompressive SensingConvolutional Neural Networksend-to-end approach.info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)