Adapting varying receptive fields to a fixed image dimension

Abstract

Systems and techniques are provided for image processing. For example, a process can include obtaining an image comprising a region of interest. A dimension of the region of interest is less than an input image dimension for an image processing model. The process can include generating an input image for the image processing model based on the image, generating the input image includes modifying pixel values of a portion of the image having a dimension equal to the input image dimension for the image processing model. The region of the image includes the region of interest. The process includes processing, by the image processing model, the input image.

Description

ADAPTING VARYING RECEPTIVE FIELDS TO A FIXED IMAGE DIMENSIONFIELD

[0001] This application is related to varying receptive fields for a fixed image dimension. More specifically, aspects of the application relate to systems and techniques of adapting varying receptive fields to a fixed image dimension input to a machine learning network.BACKGROUND

[0002] A camera is a device that captures images, such as still images or video frames, by receiving light through a lens and by using the lens (and sometimes one or more mirrors) to bend and focus the light onto an image sensor or a photosensitive material such as photographic film. The resulting images are captured by the image sensor and either stored on the photographic film, which can be developed into printed photographs, or stored digitally onto a secure digital (SD) card or other storage device. To capture a clear image, as opposed to a blurry image, a camera must be focused properly. Focusing a camera involves moving the lens forward and backward to ensure that light coming from an object that is the intended subject of the captured image is being properly focused onto the image sensor or photographic film. In some cameras, focus is adjusted manually by the photographer, typically via a dial along the camera that the photographer rotates clockwise or counter-clockwise to move the lens forward or backward.SUMMARY

[0003] Systems and techniques are described herein for processing images. According to at least one example, a method is provided for image processing. The method includes: obtaining an image comprising a region of interest, wherein a dimension of the region of interest is less than an input image dimension for an image processing model; generating an input image for the image processing model based on the image, wherein generating the input image comprises modifying pixel values of a portion of the image having a dimension equal to the input image dimension for the image processing model, wherein the region of the image includes the region of interest; and processing, by the image processing model, the input image.

[0004] In another example, an apparatus for image processing is provided that includes at least one memory and at least one processor coupled to the at least one memory. The at least one processor is configured to: obtain an image comprising a region of interest, wherein a dimension of the region of interest is less than an input image dimension for an image processing model; generate an input image for the image processing model based on the image, wherein generating the input image comprises modifying pixel values of a portion of the image having a dimension equal to the input image dimension for the image processing model, wherein the region of the image includes the region of interest; and process, by the image processing model, the input image.

[0005] In another example, a non-transitory computer-readable medium is provided that has stored thereon instructions that, when executed by one or more processors, cause the one or more processors to: obtain an image comprising a region of interest, wherein a dimension of the region of interest is less than an input image dimension for an image processing model; generate an input image for the image processing model based on the image, wherein generating the input image comprises modifying pixel values of a portion of the image having a dimension equal to the input image dimension for the image processing model, wherein the region of the image includes the region of interest; and process, by the image processing model, the input image.

[0006] In another example, an apparatus for image processing is provided. The apparatus includes: means for obtaining an image comprising a region of interest, wherein a dimension of the region of interest is less than an input image dimension for an image processing model; means for generating an input image for the image processing model based on the image, wherein generating the input image comprises modifying pixel values of a portion of the image having a dimension equal to the input image dimension for the image processing model, wherein the region of the image includes the region of interest; and means for processing, by the image processing model, the input image.

[0007] According to at least one additional example, a method is provided for image processing. The method includes: obtaining an image comprising a region of interest, wherein a dimension of the region of interest is greater than an input image dimension for an image processing model; generating an input image for the image processing model based on the image, wherein generating the input image comprises preprocessing the region of interest to determine a portion of the region of interest having a dimension equal to the input image dimension for the image processing model; and processing, by the image processing model, the portion of the region of interest having the dimension equal to the input image dimension for the image processing model.

[0008] In another example, an apparatus for image processing is provided that includes at least one memory and at least one processor coupled to the at least one memory. The at least one processor is configured to: obtain an image comprising a region of interest, wherein a dimension of the region of interest is greater than an input image dimension for an image processing model; generate an input image for the image processing model based on the image, wherein generating the input image comprises preprocessing the region of interest to determine a portion of the region of interest having a dimension equal to the input image dimension for the image processing model; and process, by the image processing model, the portion of the region of interest having the dimension equal to the input image dimension for the image processing model.

[0009] In another example, a non-transitory computer-readable medium is provided that has stored thereon instructions that, when executed by one or more processors, cause the one or more processors to: obtain an image comprising a region of interest, wherein a dimension of the region of interest is greater than an input image dimension for an image processing model; generate an input image for the image processing model based on the image, wherein generating the input image comprises preprocessing the region of interest to determine a portion of the region of interest having a dimension equal to the input image dimension for the image processing model; and process, by the image processing model, the portion of the region of interest having the dimension equal to the input image dimension for the image processing model.

[0010] In another example, an apparatus for image processing is provided. The apparatus includes: means for obtaining an image comprising a region of interest, wherein a dimension of the region of interest is greater than an input image dimension for an image processing model; means for generating an input image for the image processing model based on the image, wherein generating the input image comprises preprocessing the region of interest to determine a portion of the region of interest having a dimension equal to the input image dimension for the image processing model; and means for processing, by the image processing model, the portion of the region of interest having the dimension equal to the input image dimension for the image processing model.

[0011] In some aspects, the apparatus comprises a camera, a mobile device (e.g., a mobile telephone or so-called “smart phone” or other mobile device) , a wireless communication device, a wearable device, an extended reality device (e.g., a virtual reality (VR) device, an augmented reality (AR) device, or a mixed reality (MR) device) , a personal computer, a laptop computer, a server computer, or other device. In some aspects, the one or more processors include an image signal processor (ISP) . In some aspects, the apparatus includes a camera or multiple cameras for capturing one or more images. In some aspects, the apparatus includes an image sensor that captures the image data. In some aspects, the apparatus further includes a display for displaying the image, one or more notifications (e.g., associated with processing of the image) , and / or other displayable data.

[0012] This summary is not intended to identify key or essential features of the claimed subject matter, nor is it intended to be used in isolation to determine the scope of the claimed subject matter. The subject matter should be understood by reference to appropriate portions of the entire specification of this patent, any or all drawings, and each claim.

[0013] The foregoing, together with other features and embodiments, will become more apparent upon referring to the following specification, claims, and accompanying drawings.BRIEF DESCRIPTION OF THE DRAWINGS

[0014] Illustrative embodiments of the present application are described in detail below with reference to the following figures:

[0015] FIG. 1A is a block diagram illustrating an architecture of an image capture and processing device, in accordance with some examples of the present disclosure;

[0016] FIG. 1B is a block diagram illustrating an architecture of an image capture and processing device, in accordance with some examples of the present disclosure;

[0017] FIG. 2A illustrates a Phase Detection Auto Focus (PDAF) camera system that is in phase and therefore in focus.

[0018] FIG. 2B illustrates the PDAF camera system of FIG. 2A that is out of phase with a front focus.

[0019] FIG. 2C illustrates the PDAF camera system of FIG. 2A that is out of phase with a back focus.

[0020] FIG. 2D illustrates a top-down view of a pixel array configuration of an image sensor with masks partially covering focus pixel photodiodes, in accordance with some examples of the present disclosure;

[0021] FIG. 2E is a legend identifying elements of FIG. 2D, in accordance with some examples of the present disclosure;

[0022] FIG. 2F illustrates a top-down view of a pixel array configuration of an image sensor with two side-by-side focus pixels covered by a 2 pixel by 1 pixel microlens, in accordance with some examples of the present disclosure;

[0023] FIG. 2G illustrates a top-down view of a pixel array configuration of an image sensor with four neighboring focus pixels covered by a 2 pixel by 2 pixel microlens, in accordance with some examples of the present disclosure;

[0024] FIG. 2H illustrates a top-down view of a pixel array configuration of an image sensor in which at least one focus pixel has two photodiodes, in accordance with some examples of the present disclosure;

[0025] FIG. 2I illustrates a top-down view of a pixel array configuration of an image sensor in which at least one focus pixel has four photodiodes, in accordance with some examples of the present disclosure;

[0026] FIG. 3A illustrates a side view of a single pixel of a pixel array of an image sensor that is partially covered with a mask, in accordance with some examples of the present disclosure;

[0027] FIG. 3B illustrates a side view of two pixels of a pixel array of an image sensor, the two pixels covered by a 2 pixel by 1 pixel microlens, in accordance with some examples of the present disclosure;

[0028] FIG. 4A through FIG. 4C illustrate an example of autofocus techniques performed on a region of interest that is smaller than an input image dimension for an image processing model, in accordance with some examples of the present disclosure;

[0029] FIG. 4D through FIG. 4F illustrate example techniques for padding a region of interest that is smaller than an input image dimension for an image processing model and graphs illustrating performance of the example padding techniques, in accordance with some examples of the present disclosure;

[0030] FIG. 4G and FIG. 4H illustrate an example technique for applying a two dimensional (2D) dimming function to a portion of an input image including a region of interest that is smaller than an input image dimension for an image processing model and graphs illustrating performance of the 2D dimming weight., in accordance with some examples of the present disclosure;

[0031] FIG. 4I through FIG. 4K illustrate an example of applying a 2D dimming function with different vertical and horizontal responses to generate an input image for an image processing model and graphs illustrating the performance of the 2D dimming weight with different vertical and horizontal responses, in accordance with some examples of the present disclosure;

[0032] FIG. 5A through FIG. 5C illustrate an example of autofocus techniques performed on a region of interest that is larger than an input image dimension for an image processing model, in accordance with some examples of the present disclosure;

[0033] FIG. 5D through FIG. 5F illustrate an example technique for determining a crop for a region of interest that is larger than an input image dimension for an image processing model, in accordance with some examples of the present disclosure;

[0034] FIG. 6A is a flow diagram illustrating an example of an image processing technique, in accordance with some examples of the present disclosure;

[0035] FIG. 6B is a flow diagram illustrating an additional example of an image processing technique, in accordance with some examples of the present disclosure;

[0036] FIG. 7A is a perspective diagram illustrating an unmanned ground vehicle (UGV) that performs feature tracking and / or visual simultaneous localization and mapping (VSLAM) , , in accordance with some examples of the present disclosure;

[0037] FIG. 7B is a perspective diagram illustrating an unmanned aerial vehicle (UAV) that performs feature tracking and / or visual simultaneous localization and mapping (VSLAM, in accordance with some examples of the present disclosure;

[0038] FIG. 8A is a perspective diagram illustrating a head-mounted display (HMD) that performs feature tracking and / or visual simultaneous localization and mapping (VSLAM, in accordance with some examples of the present disclosure;

[0039] FIG. 8B is a perspective diagram illustrating the head-mounted display (HMD) of FIG. 8A being worn by a user, in accordance with some examples of the present disclosure;

[0040] FIG. 9A is a perspective diagram illustrating a front surface of a mobile handset that performs feature tracking and / or visual simultaneous localization and mapping (VSLAM) using one or more front-facing cameras, in accordance with some examples of the present disclosure;

[0041] FIG. 9B is a perspective diagram illustrating a rear surface of a mobile handset that performs feature tracking and / or visual simultaneous localization and mapping (VSLAM) using one or more rear-facing cameras, in accordance with some examples of the present disclosure;

[0042] FIG. 10 is a block diagram illustrating an example of a deep learning network, in accordance with some examples;

[0043] FIG. 11 is a block diagram illustrating an example of a convolutional neural network, in accordance with some examples;

[0044] FIG. 12 is a diagram illustrating an example of a system for implementing certain aspects of the present technology.DETAILED DESCRIPTION

[0045] Certain aspects and embodiments of this disclosure are provided below. Some of these aspects and embodiments may be applied independently and some of them may be applied in combination as would be apparent to those of skill in the art. In the following description, for the purposes of explanation, specific details are set forth in order to provide a thorough understanding of embodiments of the application. However, it will be apparent that various embodiments may be practiced without these specific details. The figures and description are not intended to be restrictive.

[0046] The ensuing description provides exemplary embodiments only, and is not intended to limit the scope, applicability, or configuration of the disclosure. Rather, the ensuing description of the exemplary embodiments will provide those skilled in the art with an enabling description for implementing an exemplary embodiment. It should be understood that various changes may be made in the function and arrangement of elements without departing from the spirit and scope of the application as set forth in the appended claims.

[0047] An image capture device (e.g., a camera) is a device that receives light and captures image frames, such as still images or video frames, using an image sensor. The terms “image, ” “image frame, ” “video frame, ” and “frame” are used interchangeably herein. An image capture device typically includes at least one lens that receives light from a scene and bends the light toward an image sensor of the image capture device. The light received by the lens passes through an aperture controlled by one or more control mechanisms and is received by the image sensor. The one or more control mechanisms can control exposure, focus, and / or zoom based on information from the image sensor and / or based on information from an image processor (e.g., a host or application process and / or an image signal processor) . In some examples, the one or more control mechanisms include a motor or other control mechanism that moves a lens of an image capture device to a target lens position.

[0048] Some modern cameras include automatic focusing functionality ( “autofocus” ) that allows the camera to focus automatically prior to capturing the desired image. Various autofocus technologies exist. Active autofocus ( “active AF” ) relies on determining a range between the camera and a subject of the image via a range sensor of the camera, typically by emitting infrared lasers or ultrasound signals and receiving reflections of those signals. While active AF works well in many cases and can be fairly quick, cameras with active AF can be bulky and expensive. Active AF can fail to properly focus on subjects that are very close to the camera lens (macro photography) , as the range sensor is not perfectly aligned with the camera lens, and this difference is exacerbated the closer the subject is to the camera lens. Active AF can also fail to properly focus on faraway subjects, as laser or ultrasound transmitters used in the range sensors that are used for active AF are typically not very strong. Active AF also often fails to properly focus on subjects on the other side of a window than the camera, as the range sensor typically determines the range to the window rather than to the subject.

[0049] Passive autofocus ( “passive AF” ) uses the camera’s own image sensor to focus the camera, and thus does not require additional sensors to be integrated into the camera. Passive AF techniques include Contrast Detection Auto Focus (CDAF) , Phase Detection Auto Focus (PDAF) , and in some cases hybrid systems that use both.

[0050] In CDAF, the lens of a camera moves through a range of lens positions, typically with pre-specified distance intervals between each tested lens position, and attempts to find a lens position at which contrast between the subject's pixels and background pixels are maximized. CDAF relies on trial and error and has high latency as a result. The CDAF process also requires the motor that moves the lens to be actuated and stopped repeatedly in a short span of time every time the camera needs to focus for a photo, which puts stress on components and expends a fair amount of battery power. The camera can still fail to find a satisfactory focus using CDAF, for example if the distance interval between tested lens positions is too large, as the ideal focus may actually be between tested lens positions. CDAF may also struggle in images of subjects without high-contrast features, such as walls, or in images taken in low-light or high-light conditions where lighting conditions fade or blend features that would have higher contrast in different lighting conditions.

[0051] In PDAF, photodiodes within the camera are used to check whether light that is received by the lens of a camera from different angles converge to create a focused image that is “in phase” or fails to converge and thus creates a blurry images that is “out of phase. ” If light received from different angles is out of phase, the camera identifies a direction in which the light is out of phase to determine whether the lens needs to be moved forward or backward, and identifies a phase disparity indicating how out of phase the light is to determine how far the lens must be moved. In some cases, the lens is moved to the position corresponding to optimal focus. Compared to CDAF, PDAF generally focuses the camera more quickly by not relying on trial and error. PDAF also typically uses less power and wears components less than CDAF by actuating the motor for a single lens motion rather than for many small and repetitive motions. Like CDAF, however, PDAF may also struggle to properly focus in low-light conditions and high-light conditions. Some PDAF solutions also use masks or shielding as discussed further below, which reduces the total amount of light that is received by certain photodiodes. In some cases, a hybrid autofocus solution may be employed that uses PDAF to move the lens to a first position, then uses CDAF to check contrast at a number of lens positions within a defined distance / range of the first position in order to help compensate for any slight errors or inaccuracies in the PDAF autofocus.

[0052] There is a need to improve PDAF performance for challenging scenes, including, without limitation, low-light and high-light conditions, and / or other types of challenging scenes. In some cases, an image processing model (e.g., a deep learning network) can be trained to perform image processing for the challenging scenes. For example, the image processing model may be trained with training data that includes both images and labels. In some cases, a trained image processing model can be optimized at compile time. In some examples, the resulting image processing model may have a fixed input dimension (e.g., input image dimension) . In some implementations, multiple different image processing models with different fixed input dimensions can be trained to accommodate regions of interest having varying dimensions. However, generating multiple different image processing models can required additional computational resources, bandwidth, memory, and / or power consumption.

[0053] As described in more detail herein, systems, apparatuses, methods (also referred to as processes, and computer-readable media (collectively referred to herein as “systems and techniques” ) are described herein for adapting regions of interest of varying sizes to a fixed input dimension of an image processing model. In some cases, the region of interest can be smaller than the fixed input dimension. In some cases, the systems and techniques can modify pixel values of a portion of an image including the region of interest to generate an input image having the fixed input dimension. For example, pixels outside the region of interest can be padded with zero values. In another example, pixels outside of the region of interest can be replaced with a repeated pattern (e.g, duplicates) of the pixels of the region of interest. In another illustrative example, pixels outside the region of interest can be padded with neighboring pixels from an input image (e.g., texture outside the region of interest) . In some aspects, the neighborhood pixels from the input image can include background textures of the input image. In another illustrative example, a two-dimensional (2D) dimming function can be applied to pixel values of the portion of the image. In some cases, applying the 2D dimming function can cause the image processing model to weigh the region of interest more heavily relative to processing raw image data using the image processing model.

[0054] In some cases, the region of interest can be larger than the fixed input dimension of an image processing model. In some implementations, the systems and techniques can introduce a secondary analysis function to select a position for the portion of a region of interest, a region has a high confidence, a high texture, or a smallest PD, etc., to generate an input image having the fixed input dimension. For example, the analysis function can include a traditional PDAF function to identify the best crop of the region of interest through a high confidence, a high texture, or a smallest PD, etc.

[0055] Various aspects of the application will be described with respect to the figures. FIG. 1A is a block diagram illustrating an architecture of an image capture and processing system 100. The image capture and processing system 100 includes various components that are used to capture and process images of scenes (e.g., an image of a scene 110) . The image capture and processing system 100 can capture standalone images (or photographs) and / or can capture videos that include multiple images (or video frames) in a particular sequence. In some cases, the lens 115 and image sensor 130 can be associated with an optical axis. In one illustrative example, the photosensitive area of the image sensor 130 (e.g., the photodiodes) and the lens 115 can both be centered on the optical axis. A lens 115 of the image capture and processing system 100 faces a scene 110 and receives light from the scene 110. The lens 115 bends incoming light from the scene toward the image sensor 130. The light received by the lens 115 passes through an aperture. In some cases, the aperture (e.g., the aperture size) is controlled by one or more control mechanisms 120 and is received by an image sensor 130. In some cases, the aperture can have a fixed size.

[0056] The one or more control mechanisms 120 may control exposure, focus, and / or zoom based on information from the image sensor 130 and / or based on information from the image processor 150. The one or more control mechanisms 120 may include multiple mechanisms and components; for instance, the control mechanisms 120 may include one or more exposure control mechanisms 125A, one or more focus control mechanisms 125B, and / or one or more zoom control mechanisms 125C. The one or more control mechanisms 120 may also include additional control mechanisms besides those that are illustrated, such as control mechanisms controlling analog gain, flash, HDR, depth of field, and / or other image capture properties.

[0057] The focus control mechanism 125B of the control mechanisms 120 can obtain a focus setting. In some examples, focus control mechanism 125B store the focus setting in a memory register. Based on the focus setting, the focus control mechanism 125B can adjust the position of the lens 115 relative to the position of the image sensor 130. For example, based on the focus setting, the focus control mechanism 125B can move the lens 115 closer to the image sensor 130 or farther from the image sensor 130 by actuating a motor or servo (or other lens mechanism) , thereby adjusting focus. In some cases, additional lenses may be included in the image capture and processing system 100, such as one or more microlenses over each photodiode of the image sensor 130, which each bend the light received from the lens 115 toward the corresponding photodiode before the light reaches the photodiode. The focus setting may be determined via contrast detection autofocus (CDAF) , phase detection autofocus (PDAF) , hybrid autofocus (HAF) , or some combination thereof. The focus setting may be determined using the control mechanism 120, the image sensor 130, and / or the image processor 150. The focus setting may be referred to as an image capture setting and / or an image processing setting. In some cases, the lens 115 can be fixed relative to the image sensor and focus control mechanism 125B can be omitted without departing from the scope of the present disclosure. Examples of pixel arrays in PDAF camera systems are illustrated in, and described with respect to, FIG. 2D, FIG. 2F, and FIG. 2G.

[0058] The exposure control mechanism 125A of the control mechanisms 120 can obtain an exposure setting. In some cases, the exposure control mechanism 125A stores the exposure setting in a memory register. Based on this exposure setting, the exposure control mechanism 125A can control a size of the aperture (e.g., aperture size or f / stop) , a duration of time for which the aperture is open (e.g., exposure time or shutter speed) , a duration of time for which the sensor collects light (e.g., exposure time or electronic shutter speed) , a sensitivity of the image sensor 130 (e.g., ISO speed or film speed) , analog gain applied by the image sensor 130, or any combination thereof. The exposure setting may be referred to as an image capture setting and / or an image processing setting.

[0059] The zoom control mechanism 125C of the control mechanisms 120 can obtain a zoom setting. In some examples, the zoom control mechanism 125C stores the zoom setting in a memory register. Based on the zoom setting, the zoom control mechanism 125C can control a focal length of an assembly of lens elements (lens assembly) that includes the lens 115 and one or more additional lenses. For example, the zoom control mechanism 125C can control the focal length of the lens assembly by actuating one or more motors or servos (or other lens mechanism) to move one or more of the lenses relative to one another. The zoom setting may be referred to as an image capture setting and / or an image processing setting. In some examples, the lens assembly may include a parfocal zoom lens or a varifocal zoom lens. In some examples, the lens assembly may include a focusing lens (which can be lens 115 in some cases) that receives the light from the scene 110 first, with the light then passing through an afocal zoom system between the focusing lens (e.g., lens 115) and the image sensor 130 before the light reaches the image sensor 130. The afocal zoom system may, in some cases, include two positive (e.g., converging, convex) lenses of equal or similar focal length (e.g., within a threshold difference of one another) with a negative (e.g., diverging, concave) lens between them. In some cases, the zoom control mechanism 125C moves one or more of the lenses in the afocal zoom system, such as the negative lens and one or both of the positive lenses. In some cases, zoom control mechanism 125C can control the zoom by capturing an image from an image sensor of a plurality of image sensors (e.g., including image sensor 130) with a zoom corresponding to the zoom setting. For example, image capture and processing system 100 can include a wide angle image sensor with a relatively low zoom and a telephoto image sensor with a greater zoom. In some cases, based on the selected zoom setting, the zoom control mechanism 125C can capture images from a corresponding sensor.

[0060] The image sensor 130 includes one or more arrays of photodiodes or other photosensitive elements. Each photodiode measures an amount of light that eventually corresponds to a particular pixel in the image produced by the image sensor 130. In some cases, different photodiodes may be covered by different filters. In some cases, different photodiodes can be covered in color filters, and may thus measure light matching the color of the filter covering the photodiode. Various color filter arrays can be used, including a Bayer color filter array, a quad color filter array (also referred to as a quad Bayer color filter array or QCFA) , and / or any other color filter array. For instance, Bayer color filters include red color filters, blue color filters, and green color filters, with each pixel of the image generated based on red light data from at least one photodiode covered in a red color filter, blue light data from at least one photodiode covered in a blue color filter, and green light data from at least one photodiode covered in a green color filter.

[0061] Returning to FIG. 1A, other types of color filters may use yellow, magenta, and / or cyan (also referred to as “emerald” ) color filters instead of or in addition to red, blue, and / or green color filters. In some cases, some photodiodes may be configured to measure infrared (IR) light. In some implementations, photodiodes measuring IR light may not be covered by any filter, thus allowing IR photodiodes to measure both visible (e.g., color) and IR light. In some examples, IR photodiodes may be covered by an IR filter, allowing IR light to pass through and blocking light from other parts of the frequency spectrum (e.g., visible light, color) . Some image sensors (e.g., image sensor 130) may lack filters (e.g., color, IR, or any other part of the light spectrum) altogether and may instead use different photodiodes throughout the pixel array (in some cases vertically stacked) . The different photodiodes throughout the pixel array can have different spectral sensitivity curves, therefore responding to different wavelengths of light. Monochrome image sensors may also lack filters and therefore lack color depth.

[0062] In some cases, the image sensor 130 may alternately or additionally include opaque and / or reflective masks that block light from reaching certain photodiodes, or portions of certain photodiodes, at certain times and / or from certain angles. In some cases, opaque and / or reflective masks may be used for phase detection autofocus (PDAF) . In some cases, the opaque and / or reflective masks may be used to block portions of the electromagnetic spectrum from reaching the photodiodes of the image sensor (e.g., an IR cut filter, a UV cut filter, a band-pass filter, low-pass filter, high-pass filter, or the like) . The image sensor 130 may also include an analog gain amplifier to amplify the analog signals output by the photodiodes and / or an analog to digital converter (ADC) to convert the analog signals output of the photodiodes (and / or amplified by the analog gain amplifier) into digital signals. In some cases, certain components or functions discussed with respect to one or more of the control mechanisms 120 may be included instead or additionally in the image sensor 130. The image sensor 130 may be a charge-coupled device (CCD) sensor, an electron-multiplying CCD (EMCCD) sensor, an active-pixel sensor (APS) , a complimentary metal-oxide semiconductor (CMOS) , an N-type metal-oxide semiconductor (NMOS) , a hybrid CCD / CMOS sensor (e.g., sCMOS) , or some other combination thereof.

[0063] The image processor 150 may include one or more processors, such as one or more image signal processors (ISPs) (including ISP 154) , one or more host processors (including host processor 152) , and / or one or more of any other type of processor 1210 discussed with respect to the computing system 1200 of FIG. 12. The host processor 152 can be a digital signal processor (DSP) and / or other type of processor. In some implementations, the image processor 150 is a single integrated circuit or chip (e.g., referred to as a system-on-chip or SoC) that includes the host processor 152 and the ISP 154. In some cases, the chip can also include one or more input / output ports (e.g., input / output (I / O) ports 156) , central processing units (CPUs) , graphics processing units (GPUs) , broadband modems (e.g., 3G, 4G or LTE, 5G, etc. ) , memory, connectivity components (e.g., BluetoothTM, Global Positioning System (GPS) , etc. ) , any combination thereof, and / or other components. The I / O ports 156 can include any suitable input / output ports or interface according to one or more protocol or specification, such as an Inter-Integrated Circuit 2 (I2C) interface, an Inter-Integrated Circuit 3 (I3C) interface, a Serial Peripheral Interface (SPI) interface, a serial General Purpose Input / Output (GPIO) interface, a Mobile Industry Processor Interface (MIPI) (such as a MIPI CSI-2 physical (PHY) layer port or interface, an Advanced High-performance Bus (AHB) bus, any combination thereof, and / or other input / output port. In one illustrative example, the host processor 152 can communicate with the image sensor 130 using an I2C port, and the ISP 154 can communicate with the image sensor 130 using an MIPI port.

[0064] The image processor 150 may perform a number of tasks, such as de-mosaicing, color space conversion, image frame downsampling, pixel interpolation, automatic exposure (AE) control, automatic gain control (AGC) , CDAF, PDAF, automatic white balance, merging of image frames to form an HDR image, image recognition, object recognition, feature recognition, receipt of inputs, managing outputs, managing memory, or some combination thereof. The image processor 150 may store image frames and / or processed images in random access memory (RAM) 140 / 1225, read-only memory (ROM) 145 / 1220, a cache, a memory unit, another storage device, or some combination thereof.

[0065] Various input / output (I / O) devices 160 may be connected to the image processor 150. The I / O devices 160 can include a display screen, a keyboard, a keypad, a touchscreen, a trackpad, a touch-sensitive surface, a printer, any other output devices 1235, any other input devices 1245, or some combination thereof. In some cases, a caption may be input into the image processing device 105B through a physical keyboard or keypad of the I / O devices 160, or through a virtual keyboard or keypad of a touchscreen of the I / O devices 160. The I / O 160 may include one or more ports, jacks, or other connectors that enable a wired connection between the image capture and processing system 100 and one or more peripheral devices, over which the image capture and processing system 100 may receive data from the one or more peripheral device and / or transmit data to the one or more peripheral devices. The I / O 160 may include one or more wireless transceivers that enable a wireless connection between the image capture and processing system 100 and one or more peripheral devices, over which the image capture and processing system 100 may receive data from the one or more peripheral device and / or transmit data to the one or more peripheral devices. The peripheral devices may include any of the previously-discussed types of I / O devices 160 and may themselves be considered I / O devices 160 once they are coupled to the ports, jacks, wireless transceivers, or other wired and / or wireless connectors.

[0066] In some cases, the image capture and processing system 100 may be a single device. In some cases, the image capture and processing system 100 may be two or more separate devices, including an image capture device 105A (e.g., a camera) and an image processing device 105B (e.g., a computing device coupled to the camera) . In some implementations, the image capture device 105A and the image processing device 105B may be coupled together, for example via one or more wires, cables, or other electrical connectors, and / or wirelessly via one or more wireless transceivers. In some implementations, the image capture device 105A and the image processing device 105B may be disconnected from one another.

[0067] As shown in FIG. 1A, a vertical dashed line divides the image capture and processing system 100 of FIG. 1A into two portions that represent the image capture device 105A and the image processing device 105B, respectively. The image capture device 105A includes the lens 115, control mechanisms 120, and the image sensor 130. The image processing device 105B includes the image processor 150 (including the ISP 154 and the host processor 152) , the RAM 140, the ROM 145, and the I / O 160. In some cases, certain components illustrated in the image capture device 105A, such as the ISP 154 and / or the host processor 152, may be included in the image capture device 105A.

[0068] The image capture and processing system 100 can include an electronic device, such as a mobile or stationary telephone handset (e.g., smartphone, cellular telephone, or the like) , a desktop computer, a laptop or notebook computer, a tablet computer, a set-top box, a television, a camera, a display device, a digital media player, a video gaming console, a video streaming device, an Internet Protocol (IP) camera, or any other suitable electronic device. In some examples, the image capture and processing system 100 can include one or more wireless transceivers for wireless communications, such as cellular network communications, 802.11 wi-fi communications, wireless local area network (WLAN) communications, or some combination thereof. In some implementations, the image capture device 105A and the image processing device 105B can be different devices. For instance, the image capture device 105A can include a camera device and the image processing device 105B can include a computing device, such as a mobile handset, a desktop computer, or other computing device.

[0069] While the image capture and processing system 100 is shown to include certain components, one of ordinary skill will appreciate that the image capture and processing system 100 can include more components than those shown in FIG. 1A. The components of the image capture and processing system 100 can include software, hardware, or one or more combinations of software and hardware. For example, in some implementations, the components of the image capture and processing system 100 can include and / or can be implemented using electronic circuits or other electronic hardware, which can include one or more programmable electronic circuits (e.g., microprocessors, GPUs, DSPs, CPUs, and / or other suitable electronic circuits) , and / or can include and / or be implemented using computer software, firmware, or any combination thereof, to perform the various operations described herein. The software and / or firmware can include one or more instructions stored on a computer-readable storage medium and executable by one or more processors of the electronic device implementing the image capture and processing system 100.

[0070] FIG. 1B is a block diagram illustrating an example of an image capture and processing system 170 including an image processor 180 (including host processor 182 and ISP 184) in communication with an image sensor 190. The configuration shown in FIG. 1B is illustrative of traditional synchronization techniques used in camera systems. In general, the host processor 182 attempts to provide synchronization between the image sensor 190 and the ISP 184 using fixed periods of time by separately communicating with the image sensor 190 and the ISP 184. For example, in traditional camera systems, the host processor 182 communicates with the image sensor 190 (e.g., over an I2C port) and programs the image sensor 190 parameters with a first fixed period of time, such as 2-frame periods ahead of when that image frame will be processed by the ISP 184. The host processor 182 communicates with the ISP 184 (e.g., over an internal AHB bus or other interface) and programs the ISP 184 parameter settings with a second fixed period of time, such as 1-frame period ahead of when that image frame will be processed by the ISP 184.

[0071] The image sensor 190 can send image frames to the ISP 184 (B-to-C in FIG. 1B) , such as over an MIPI CSI-2 PHY port or interface, or other suitable interface. In addition, the host processor 182 can communicate with the image sensor 190 (shown as from A to B) .

[0072] FIG. 2A illustrates a Phase Detection Auto Focus (PDAF) camera system that is in phase and therefore in focus. Rays of light 275 may travel from a subject 206 (e.g., an apple) through a lens 211 that focuses a scene with the subject 206 onto an image sensor (not pictured in its entirety) , where the image sensor includes the focus photodiode 225A and the focus photodiode 225B, which correspond to focus pixels. The focus photodiodes 225A and 225B may be associated with one or two focus pixels (e.g., focus photodiode 225A and focus photodiode 225B may be two photodiodes of a single focus pixel sharing a single microlens 221 or focus photodiode 225A may be associated with a first focus pixel and focus photodiode 225B may be associated with a second focus pixel, both focus pixels sharing a single microlens 221) of the pixel array of the image sensor. In some cases, the light rays 275 may travel through a microlens 221 before falling on the focus photodiode 225A and the focus photodiode 225B. When the camera system 265 is in the “in focus” state 251 of FIG. 2A, the rays of light 275 may ultimately converge at a plane that corresponds to the position of the focus photodiode 225A and the focus photodiode 225B. When the camera system 265 is in the “in focus” state 251 of FIG. 2A, rays of light 275 may also converge at a focal plane 215 (also known as an image plane) after passing through the lens 211 but before reaching the microlens 221 and / or focus photodiodes 225A and 225B.

[0073] Because the camera system 265 of FIG. 2A is in an in-focus state 251, data from focus photodiodes 225A and 225B is aligned, here represented by an image 270A showing a clear and sharp representation of the subject 206 due to this alignment, as opposed to the misaligned representations of the subject 206 caused by the out-of-phase states 241 and 246 in FIG. 2B and FIG. 2C respectively. The in-focus state 251 may also be referred to as an “in-phase” state, as the data from focus photodiode 225A and the focus photodiode 225B have no phase disparity, or have very little phase disparity (e.g., phase disparity falling below a predetermined phase disparity threshold) .

[0074] FIG. 2B illustrates the PDAF camera system of FIG. 2A that is out of phase with a front focus. The PDAF camera system 265 of FIG. 2B is the same as the PDAF camera system 265 of FIG. 2A, but the lens 211 is moved closer to the subject 206 and further from the focus photodiodes 225A and 225B, and is therefore in a “front focus” state 241. The lens position for the “in focus” state 251 is still drawn in FIG. 2B as a dotted outline for reference, with a double-sided arrow indicating movement of the lens between the “front focus” state 241 lens position and the “in focus” state 251 lens position.

[0075] When the camera system 265 is in the “front focus” state 241 of FIG. 2B, the rays of light 275 may ultimately converge at a plane (denoted by a dashed line) before the position of the focus photodiode 225A and the focus photodiode 225B, that is, between the microlens 221 and the focus photodiodes 225A and 225B. The rays of light 275 may also converge at a position (denoted by another dashed line) before the focal plane 215 after passing through the lens 211 but before reaching the microlens 221 and / or focus photodiodes 225A and 225B. Because the light 275 in the camera system 265 of FIG. 2B is out of phase in the “front focus” state 241, data from focus photodiodes 225A and 225B is misaligned, here represented by an image 270B showing misaligned black-colored and white-colored representations of the subject 206, where the direction of misalignment in the image 270B is related to the front focus state 241, and the distance of misalignment in the image 270B is related to the distance of the lens 211 from its position in the focused state 251.

[0076] FIG. 2C illustrates the PDAF camera system of FIG. 2A that is out of phase with a back focus. The PDAF camera system 265 of FIG. 2C is the same as the PDAF camera system 265 of FIG. 2A, but the lens 211 is moved further from the subject 206 and closer to the focus photodiodes 225A and 225B, and is therefore in a “back focus” state 246 (also known as a “rear focus” state) . The lens position for the “in focus” state 251 is still drawn as a dotted outline for reference, with a double-sided arrow indicating movement of the lens between the lens position of “back focus” state 246 and the lens position in the “in focus” state 251.

[0077] When the camera system 265 is in the “back focus” state 246 of FIG. 2C, the rays of light 275 may ultimately converge at a plane (denoted by a dashed line) beyond the position of the focus photodiode 225A and the focus photodiode 225B. The rays of light 275 may also converge at a position (denoted by another dashed line) beyond the focal plane 215 after passing through the lens 211 but before reaching the microlens 221 and / or focus photodiodes 225A and 225B. Because the light 275 in the camera system 265 of FIG. 2C is out of phase in the “back focus” state 246, data from focus photodiodes 225A and 225B is misaligned, here represented by an image 270C showing misaligned black-colored and white colored representations of the subject 206, where the direction of misalignment in the image 270C is related to the back focus state 246, and the distance of misalignment in the image 270C is related to the distance of the lens 211 from its position in the focused state 251.

[0078] When the rays of light 275 converge before the plane of the focus photodiodes 225A and 225B as in the front focus state 241 or beyond the plane of the focus photodiodes 225A and 225B as in the back focus state 246, the resulting image produced by the image sensor may be out-of-focus or blurred. In the case that the image is out-of-focus, the lens 211 can be moved forward (toward the subject 206 and away from the photodiodes 225A and 225B) if the lens 211 is in the back focus state 246, or can be moved backward (away from the subject 206 and toward the photodiodes 225A and 225B) if the lens is in the front focus state 241. The lens 211 may be moved forward or backward within a range of positions which in some cases has a predetermined length R representing a possible range of motion of the lens in the camera system 265. The camera system 265, or a computing system therein, may determine a distance and direction of adjusting the position of the lens 211 to bring the image into focus based on one or more phase disparity values calculated as differences between data from two focus photodiodes that receive light from different directions, such as focus photodiodes 225A and 225B. The direction of movement of the lens 211 may correspond to a direction in which the data from the focus photodiodes 225A and 225B is determined to be out of phase, or whether the phase disparity is positive or negative. The distance of movement of the lens 211 may correspond to a degree or amount to which the data from the focus photodiodes 225A and 225B is determined to be out of phase, or the absolute value of the phase disparity.

[0079] The camera system 265 may include motors (not pictured) that move the lens 211 between lens positions corresponding to the different states (e.g., front focus state 241, back focus state 246, and in focus state 251) and motor actuators (not pictured) that the computing system within the camera activates to actuate the motors. The camera system 265 of FIG. 2A through FIG. 2C may in some cases also include various additional non-illustrated components, such as lenses, mirrors, partially reflective (PR) mirrors, prisms, photodiodes, image sensors, and / or other components sometimes found in cameras or other optical equipment. In some cases, the focus photodiodes 225A and 225B may be referred to as PDAF photodiodes, PDAF diodes, phase detection (PD) photodiodes, PD diodes, PDAF pixel photodiodes, PDAF pixel diodes, PD pixel photodiodes, PD pixel diodes, focus pixel photodiodes, focus pixel diodes, pixel photodiodes, pixel diodes, or in some cases simply photodiodes or diodes.

[0080] FIG. 2D illustrates a top-down view of a pixel array configuration of an image sensor with masks partially covering focus pixel photodiodes. An image sensor of a camera system may include an array of pixels, such as the pixel array 200 of FIG. 2D. The pixel array 200 may include an array of photodiodes, which is not shown in FIG. 2D as is the photodiodes are covered by color filters (e.g., Bayer filters or other types of color filters as discussed below) and microlenses 218 as identified in the legend 210 of FIG. 2E. Photodiodes of focus pixels are also partially covered by masks 220 in the pixel array 200 of FIG. 2D.

[0081] FIG. 2E is a legend identifying elements of FIG. 2D. The legend 210 identifies that a circle represents a microlens 218 of a single pixel, and that a dark shaded rectangle represents a mask 220. The legend 210 of FIG. 2E also identifies that squares with three different patterns each represent color filters 212, 214, and 216, each color filter being for one of three different colors: red, green, or blue. That is, squares of the first pattern represent a color filter 212 for a first color, which may for example be green; squares of the second pattern represent a color filter 214 for a second color, which may for example be blue; and squares of the third pattern represent a color filter 216 for a third color, which may for example be red. These color filters are arranged in color filter arrays (CFAs) over an array of photodiodes in the pixel arrays 200, 230, and 240 of FIG. 2D, FIG. 2F, and FIG. 2G respectively. The colors (and number of colors) identified in the legend 210 of FIG. 2E, and the arrangements of color filters illustrated in the pixel arrays 200, 230, and 240 of FIG. 2D, FIG. 2F, and FIG. 2G, should be understood to be exemplary and should not be construed as limiting. Red, green, and blue color filters are traditionally used in image sensors and are often referred to as Bayer filters. Bayer filter CFAs often include more green Bayer filters than red or blue Bayer filters, for example in a proportion of 50%green, 25%red, 25%blue, to mimic sensitivity to green light in human eye physiology. Bayer filter CFAs with these proportions are sometimes referred to as BGGR, RGBG, GRGB, or RGGB, and are reflected in the presence of the color filter 212 in higher proportion than the color filters 214 and 216 in the pixel arrays 200, 230, and 240 of FIG. 2D, FIG. 2F, and FIG. 2G. Sometimes, in such Bayer filter CFAs, green is treated as two colors, labeled “Gr” and “Gb” respectively. Some CFAs use alternate color schemes and can even include more or fewer colors. For example, some CFAs use cyan, yellow, and magenta color filters instead of the traditional red, green, and blue Bayer color filter scheme. In an arrangement referred to as cyan yellow yellow magenta (CYYM) , 50%of the color filters are yellow, while 25%are cyan and 25%are magenta. Some filters also add a fourth green filter to the three cyan, yellow, and magenta filters, together referred to as a cyan yellow green magenta (CYGM) filter. Some CFAs use red, green, blue and “emerald” or cyan, referred to as an RGBE color scheme. In some cases, some mix or combination of the Bayer, CYYM, CYGM, or RGBE color schemes may be used. In some cases, color filters of one or more of the colors of the Bayer, CYYM, CYGM, or RGBE color schemes may be omitted, in some cases leaving only two colors or even one color. While the legend 210 of FIG. 2E lists precisely three color filters 212, 214, and 216, and provides green, red, and blue as examples to adhere to the traditional Bayer filter color scheme, it should be understood that more than three colors or less than three colors may alternately be used in the CFA, and that the colors may vary, for example including red, green, blue, cyan, magenta, yellow, emerald, white (transparent) , or some combination thereof. Some image sensors, such as the Foveon sensor, may lack color filters altogether, instead opting to use different photodiodes throughout the pixel array (optionally vertically stacked) , the different photodiodes having different spectral sensitivity curves and therefore responding to different wavelengths of light. Monochrome image sensors may also lack color filters and therefore lack color depth. Use of color filters in an image sensor used with the camera systems described further herein should therefore be considered optional.

[0082] The pixel array 200 of FIG. 2D is illustrated with two pixels that are used for phase detection auto focus (PDAF) , which are referred to herein as focus pixels, but may alternately be referred to as PDAF pixels or phase detection (PD) pixels. Other pixels not used for PDAF may simply be referred to as imaging pixels 204. In the pixel array 200 of FIG. 2D, any pixel without a mask 220 is an imaging pixel 204, even though only two imaging pixels 204 are specifically labeled. While two focus pixels are illustrated in the pixel array 200 of FIG. 2D, both in the same column but with three rows of imaging pixels in between, a different pixel array (not pictured) may have any number of focus pixels (i.e., one or more focus pixels) , which may be arranged in any possible pattern or arrangement. In some cases, patterns of focus pixels may repeat across a pixel array, for example in “tiles” that are 8 pixels by 8 pixels in size, or 16 pixels by 16 pixels in size.

[0083] The two focus pixels illustrated in FIG. 2D are both partially covered by masks 220, the two masks 220 labeled as mask 202A and mask 202B, respectively. Each of the masks 220 may be a mask or shield made of an opaque and / or reflective material, such as a metal. Each mask 220 limits the amount and direction of light that strikes the photodiode of the focus pixel that is partially covered by the mask. The mask 202A and mask 202B each limit how much light reaches and strikes the underlying focus pixel photodiode from a particular direction, and are disposed over two different focus pixel diodes in an opposite direction to produce a pair of left and right images. For example, the mask 202A is disposed over a left side of a first focus pixel, leaving the right side of that first focus pixel to receive light entering from the right side (the right image) . The mask 202B is disposed over a right side of a second focus pixel, leaving the left side of that second focus pixel to receive light entering from the left side (the left image) . Because the two focus pixels are both illustrated as half-covered by the masks 220, their focus photodiodes effectively receive 50%of the light that an imaging photodiode (which would not be covered by a mask) in the same location on the pixel array would receive.

[0084] Any number of focus pixels may be included in a pixel array of an image sensor. Left and right pairs of focus pixels may be adjacent to one another, or may be spaced apart by one or more imaging pixels 204. The two pixels from a left and right pair of focus pixels may both be in the same row and / or same column of the pixel array, may be in a different row and / or different column, or some combination thereof. While masks 202A and 202B are shown within pixel array 200 as masking left and right portions of the focus pixel photodiodes, this is for exemplary purposes only. Focus pixel masks 220 may instead mask top or bottom portions of the focus pixel photodiodes, thus generating top and bottom images (or “up” and “down” images) from the focus pixel data received by the focus pixels. Like the left and right pairs of focus pixels, top and down pairs of focus pixels may both be in the same row and / or same column of the pixel array, may be in a different row and / or different column, or some combination thereof. A pixel array of an image sensor may have a focus pixel with a mask 220 over a left side of one focus pixel, a mask 220 over a right side of a second focus pixel, a mask 220 over a top side of a third focus pixel, a mask 220 over a bottom side of a fourth focus pixel, and optionally more focus pixels with any of these types of masks 220. Using focus pixels with masks 220 along multiple axes (e.g., left-right pairs of focus pixels as well as top-down pairs of focus pixels) can improve autofocus quality. One reason why autofocus quality can be improved by using focus pixels with masks 220 along multiple axes is because use of masks 220 along left and right sides of focus pixel photodiodes alone for PDAF can lead to poor focus on scenes or subjects with many horizontal edges (i.e., lines that appear along a left-right axis relative to the orientation of the focus pixels and masks 220) , and use of masks 220 along top and bottom sides of focus pixel photodiodes alone for PDAF can lead to poor focus on scenes or subjects with many vertical edges (i.e., lines that appear along an up-down axis relative to the orientation of the focus pixels and masks 220) .

[0085] Some PDAF camera systems do not use masks 220 on focus pixels as in FIG. 2D, but instead cover multiple pixels under a single microlens, which may alternately be referred to as an on-chip lens (OCL) . FIG. 2F illustrates a top-down view of a pixel array configuration with two side-by-side focus pixels covered by a 2 pixel by 1 pixel microlens. FIG. 2G illustrates a top-down view of a pixel array configuration with four neighboring focus pixels covered by a 2 pixel by 2 pixel microlens. The pixel arrays 230 and 240 of FIG. 2F and FIG. 2G can also be interpreted based on the legend 210 of FIG. 2E.

[0086] Referring to FIG. 2F and FIG. 2G, the 2 pixel by 1 pixel microlens 232 of FIG. 2F and the 2 pixel by 2 pixel microlens 242 of FIG. 2G both span multiple adjacent focus pixels (i.e., the microlenses cover multiple adjacent focus pixel photodiodes) , and both can limit the amount and / or direction of light that strikes the focus pixel photodiodes of those focus pixels. The microlens 232 of FIG. 2F covers two horizontally-adjacent focus pixels of a pixel array 230, such that focus pixel data from both focus photodiodes may be generated, with focus pixel data from the left one of the focus pixels (labeled with an “L” ) representing light approaching from the left side of the pixel array 230, and focus pixel data from the right one of the focus pixels (labeled with an “R” ) representing light approaching from the right side of the pixel array 230. While the microlens 232 is shown within pixel array 230 as spanning left and right adjacent pixels / diodes (e.g., in a horizontal direction) , this is for exemplary purposes only. A 2 pixel by 1 pixel microlens 232 may instead span top and bottom adjacent pixels / diodes (e.g., in a vertical direction) , thus generating an up and down (or top and bottom) pair of focus photodiodes and corresponding pixel data.

[0087] Similarly, the microlens 242 of FIG. 2G covers a 2-pixel by 2-pixel square of four adjacent focus pixels of a pixel array 240, such that focus pixel data from all four photodiodes in the square may be generated. The focus pixel data from the four adjacent focus pixels thus includes focus pixel data from an upper-left pixel (labeled “UL” in FIG. 2G) representing light approaching from the upper-left of the pixel array 240, focus pixel data from an upper-right pixel (labelled “UR” in FIG. 2G) representing light approaching from the upper-right of the pixel array 240, focus pixel data from a bottom-left pixel (labeled “BL” in FIG. 2G) representing light approaching from the bottom-left of the pixel array 240, and focus pixel data from a bottom right pixel (labeled “BR” in FIG. 2G) representing light approaching from the bottom right of the pixel array 240. The configurations of pixel arrays 230 and 240 of FIG. 2F and FIG. 2G are exemplary; any number of focus pixels may be included within a pixel array, and may include one or more horizontally-oriented (left-right) 2-pixel by 1-pixel microlenses 232, one or more vertically-oriented (up-down) 2-pixel by 1-pixel microlenses 232, one or more 2-pixel by 2-pixel microlenses 242, or different combinations thereof.

[0088] Again referring to FIG. 2F and FIG. 2G, once the pixel array captures a frame, thus capturing focus pixel data for each focus pixel, focus pixel data from paired focus pixels may be compared with one another. For example, focus pixel data from a left focus pixel photodiode may be compared with focus pixel data from a right focus pixel photodiode, and focus pixel data from a top focus pixel photodiode may be compared with focus pixel data from a bottom focus pixel photodiode. If the compared focus pixel data values differ, this difference is known as the phase disparity, also known as the phase difference, defocus value, or separation error. Focus pixels under a 2-pixel by 2-pixel microlens 242 as in FIG. 2G essentially have two vertically-adjacent horizontally-oriented pairs of focus pixels and / or two horizontally-adjacent vertically-oriented pairs of focus pixels. Thus, the focus pixel data from the UL focus pixel may be compared to focus pixel data from the BL focus pixel (as a top / bottom pair) , focus pixel data from the UR focus pixel may be compared to focus pixel data from the BR focus pixel (as a top / bottom pair) , focus pixel data from the UL focus pixel may be compared to focus pixel data from the UR focus pixel (as a left / right pair) , focus pixel data from the BL focus pixel may be compared to focus pixel data from the BR focus pixel (as a left / right pair) , or some combination thereof. In some cases, focus pixel data may alternately or additionally be compared between pixels that are opposite each other diagonally (along two axes) . For example, focus pixel data from the UL focus pixel focus may be compared to focus pixel data from the BR focus pixel, and / or focus pixel data from the BL focus pixel focus may be compared to focus pixel data from the UR focus pixel.

[0089] While the focus pixels under the 2 pixel by 1 pixel microlens 232 of FIG. 2F and the focus pixels under the 2 pixel by 2 pixel microlens 242 of FIG. 2G are all illustrated having the color filter 212 of the first color, this is not required. In some cases, the normal pattern of the CFA of the pixel array may continue under a 2 pixel by 1 pixel microlens 232 and / or under a 2 pixel by 2 pixel microlens 242.

[0090] FIG. 2H illustrates a top-down view of a pixel array configuration of an image sensor in which at least one focus pixel has two photodiodes. In particular, a four-pixel by four-pixel pixel array 250 with four focus pixels is illustrated in FIG. 2H. The four focus pixels illustrated in the pixel array 250 each include two photodiodes, with the left-side photodiode and the right-side photodiode of each focus pixel’s photodiode pair labeled “L” and “R, ” respectively. Focus pixels with two photodiodes, like the focus pixels of FIG. 2H, are sometimes referred to as dual photodiode (2PD) focus pixels.

[0091] One of the 2PD focus pixels of FIG. 2H is labeled as 2PD focus pixel 252. The left-side photodiode (L) of the 2PD focus pixel 252 is labeled “left-side photodiode 254L, ” and the right-side photodiode (R) of the 2PD focus pixel 252 is labeled “right-side photodiode 254R. ” For each captured frame, the left photodiode 254L and the right photodiode 254R may capture light received by the 2PD focus pixel 252 from different angles. For a given frame, the data captured by the left photodiode 254L may be referred to as the left image or left image data, while the data captured by the right photodiode 254R may be referred to as the right image or right image data. The left image data and the right image data may be compared to determine phase disparity.

[0092] The pixel array 250 illustrated in FIG. 2H is a “sparse” 2PD pixel array in which only some of the pixels in the pixel array 250 include two photodiodes (namely, the focus pixels) . The remaining pixels are imaging pixels and only include a single photodiode. In some cases, however a “dense” 2PD pixel array may be used instead, in which every pixel in the pixel array (or a higher percentage of pixels in the pixel array) include two photodiodes, and can in some cases act as both focus pixels and imaging pixels simultaneously, or can switch between acting as a focus pixel for one frame and acting as an imaging pixel for another frame. While all of the 2PD focus pixels of FIG. 2H are shown as “horizontal” 2PD focus pixels having a left photodiode and a right photodiode, this arrangement is exemplary. A pixel array with 2PD focus pixels may additionally or alternately include “vertical” focus pixels with a top ( “up” ) photodiode and a bottom ( “down” ) photodiode and / or photodiodes that are arranged diagonally with respect to one another. Since use of only horizontal focus pixels can sometimes limit recognition of horizontal edges in images, and use of only vertical focus pixels can sometimes limit recognition of vertical edges in images, use of both horizontal focus pixels and vertical focus pixels can improve focus quality by performing well even in images with many horizontal edges and / or vertical edges.

[0093] FIG. 2I illustrates a top-down view of a pixel array configuration of an image sensor in which at least one focus pixel has four photodiodes. The pixel array 260 illustrated in FIG. 2I includes focus pixels in which each focus pixel includes four diodes, generally referred to as 4PD focus pixels or Quadrature Phase Detection (QPD) focus pixels. For example, a 4PD focus pixel 262 is labeled in FIG. 2I, and includes an upper-left photodiode labeled with the letters “UL, ” an upper-right photodiode labeled with the letters “UR, ” a bottom-left photodiode labeled with the letters “BL, ” and a bottom-right photodiode labeled with the letters “BR. ” Data from each photodiode of the 4PD focus pixel 262 may be compared to data from an adjacent photodiode of the 4PD focus pixel 262 to determine phase difference. For example, photodiode data from the UL photodiode may be compared to photodiode data from the BL photodiode (as a top / bottom pair) , photodiode data from the UR photodiode may be compared to photodiode data from the BR photodiode (as a top / bottom pair) , photodiode data from the UL photodiode may be compared to photodiode data from the UR photodiode (as a left / right pair) , photodiode data from the BL photodiode may be compared to photodiode data from the BR photodiode (as a left / right pair) , or some combination thereof. In some cases, photodiode data from the 4PD focus pixel 262 may alternately or additionally be compared between photodiodes that are opposite each other diagonally (along two axes) . For example, photodiode data from the UL photodiode of the 4PD focus pixel 262 may be compared to photodiode data from the BR photodiode of the 4PD focus pixel 262, and / or photodiode data from the BL photodiode of the 4PD focus pixel 262 may be compared to photodiode data from the UR photodiode of the 4PD focus pixel 262.

[0094] The pixel array 260 illustrated in FIG. 2I is a “sparse” 4PD pixel array in which only some of the pixels in the pixel array 260 include four photodiodes (namely, the focus pixels) . The remaining pixels are imaging pixels and only include a single photodiode. In some cases, however a “dense” 4PD pixel array may be used instead, in which every pixel in the pixel array (or a higher percentage of pixels in the pixel array) include four photodiodes, and can in some cases act as both focus pixels and imaging pixels simultaneously, or can switch between acting as a focus pixel for one frame and acting as an imaging pixel for another frame. While all of the 4PD focus pixels of FIG. 2I are shown as “horizontal” 4PD focus pixels having a left photodiode and a right photodiode, this arrangement is exemplary. A pixel array with 4PD focus pixels may additionally or alternately include “vertical” focus pixels with a top ( “up” ) photodiode and a bottom ( “down” ) photodiode and / or photodiodes that are arranged diagonally with respect to one another. Since use of only horizontal focus pixels can sometimes limit recognition of horizontal edges in images, and use of only vertical focus pixels can sometimes limit recognition of vertical edges in images, use of both horizontal focus pixels and vertical focus pixels can improve focus quality by performing well even in images with many horizontal edges and / or vertical edges.

[0095] In some cases, a pixel array may use some combination of one or more pairs of focus pixels with masks 220 (as illustrated in FIG. 2D) , one or more pairs of focus pixels covered by 2-pixel by 1-pixel microlenses 232 (as illustrated in FIG. 2F) , one or more groups of focus pixels covered by 2-pixel by 2-pixel microlenses 242 (as illustrated in FIG. 2G) , one or more 2PD focus pixels 252 (as illustrated in FIG. 2H) , and / or one or more 4PD focus pixels 262 (as illustrated in FIG. 2I) . In some cases, focus pixels in any of the configurations illustrated in and discussed with respect to FIG. 2D through FIG. 2I may be arranged in a vertically and / or horizontally tiled pattern, such as the tiled patterns of the 2PD and 4PD focus pixels of FIG. 2H and FIG. 2I.

[0096] FIG. 3A illustrates a side view of a single pixel of a pixel array of an image sensor that is partially covered with a mask. The side view of the pixel 300 illustrates the single-pixel microlens 218 over a color filter 310A, which is over a mask 220, the mask 220 covering the left side of the photodiode 320A. A ray of light 350B entering from the right side of the microlens 218 passes through the color filter 310A and reaches the photodiode 320A, while ray of light 350A entering from the left side of the microlens 218 is reflected by the mask 220. While a similar pixel with the mask 220 over the right side of the photodiode 320A is not illustrated, it should be understood that this could be achieved by horizontally flipping the illustration of FIG. 3A. In an alternate embodiment, the mask 220 may be positioned above the color filter 310A and / or above the microlens 218.

[0097] FIG. 3B illustrates a side view of two pixels of a pixel array of an image sensor, the two pixels covered by a 2 pixel by 1 pixel microlens. The side view of the two pixels 340 of FIG. 3B illustrates the 2 pixel by 1 pixel microlens 232 over one color filter 310B on the left and another adjacent color filter 310C on the right, with the color filter 310B on the left over a left photodiode 320B, and the color filter 310C on the right over a right photodiode 320C. Two rays of light 350C and 350D entering from the left side of the microlens 232 pass through the left color filter 310B and reach the left photodiode 320B, while two rays of light 350E and 350F entering from the right side of the microlens 232 pass through the right color filter 310C and reach the right photodiode 320C.

[0098] Each color filter of the color filters 310A, 310B, and 310C of FIG. 3A and FIG. 3B may be a color filter of any color previously described with respect to color filters 212, 214, and 216. That is, while FIG. 3A and FIG. 3B list red, green, and blue as example colors to adhere to the traditional Bayer color scheme, each color filter of the color filters 310A, 310B, and 310C may represent another color such as cyan, yellow, magenta, emerald, or white (transparent) . While the color filters 310A, 310B, and 310C all are illustrated with an identical pattern in FIG. 3A and FIG. 3B, the pattern matching the pattern of color filter 212 of FIGs. 2D through FIG. 2G, the three color filters 310A, 310B, and 310C need not all represent the same color of color filter as each other, and need not represent the same color as the color filter 212 of FIGs. 2D through FIG. 2G. All three color filters 310A, 310B, and 310C can be different colors, or alternately any two (or all three) can optionally share a color. Alternatively, no color filter may be included.

[0099] FIG. 4A through FIG. 4C illustrate an example of autofocus techniques performed on a region of interest that is smaller than an input image dimension for an image processing model.

[0100] FIG. 4A illustrates an original image 402 (e.g., a raw image) that includes a region of interest 406. FIG. 4A also has a portion of the original image 404 having a dimension equal to a fixed input dimension of an image processing model. For example, the image processing model can include a deep learning network, a machine learning model, a convolutional neural network (CNN) , or the like. In some cases, the image processing model can include a phase detection (PD) model. In some implementations, the image processing model can be utilized for PDAF. In some cases, a traditional PDAF function (e.g., implemented without a machine learning model) , may not face the same restrictions of a fixed input dimension faced by the image processing model.

[0101] FIG. 4B illustrates a close-up view of the portion of the original image 404 having the dimension equal to the input dimension of the image processing model. The portion of the original image 404 includes the region of interest 406 and background textures 408 that may cause errors in the output of the image processing model. In some cases, a traditional PDAF model may be able to process the region of interest 406 directly and avoid processing the background textures 408. As illustrated, in some cases, the region of interest 406 can be centered within the portion of the original image 404.

[0102] FIG. 4C illustrates a graph 410 including plots of phase detection vs. predicted focused lens position for a traditional PDAF function (e.g., plot 412) and for an image processing model (e.g., plot 414) . As illustrated, the traditional PDAF function accurately predicts the focused lens position while the image processing model produces an error in a predicted focused lens position 416.

[0103] FIG. 4D through FIG. 4F illustrate example techniques for padding a region of interest that is smaller than an input image dimension for an image processing model and graphs illustrating performance of the example padding techniques.

[0104] FIG. 4D illustrates a portion of the original image 418 having a dimension equal to the fixed input dimension of the image processing model. As illustrated, the portion of the original image 418 includes the region of interest 406 and is padded with zero values outside of the region of interest. As illustrated, the portion of the original image 418 includes sharp features on either side of the region of interest 406. In some implementations, sharp features on either side of the region of interest 406 may result in incorrect output of the image processing model (e.g., PD error) .

[0105] FIG. 4E illustrates a portion of the original image 420 including repeated patches 426 (e.g., duplicated of the region of interest 406 of FIG. 4A) . In some implementations, the repeated patches may create artifacts when processed by image processing models that are sensitive to edge locations (e.g., edges of the repeated patches) .

[0106] FIG. 4F illustrates a graph 430 including a plot 432 of phase detection vs. predicted focused lens position for a traditional PDAF function, a plot 434 for an image processing model with a zero padded input (e.g., portion of the original image 418) , and a plot 436 for an image processing model with repeated patches (e.g., portion of the original image 420) . As illustrated, the traditional PDAF function accurately predicts the focused lens position while the image processing model exhibits non-linearity in the plots 434 and 436 when lens position is close to a near end (e.g., close to an image sensor 130 of FIG. 1A) .

[0107] FIG. 4G and FIG. 4H illustrate an example technique for applying a two dimensional (2D) dimming function to a portion of an input image including a region of interest that is smaller than an input image dimension for an image processing model and graphs illustrating performance of the 2D dimming weight.

[0108] FIG. 4G illustrates an original image 442, a plot of a 2D dimming function 444 (e.g., a 2D gaussian function) , and a modified input image 446 for the image processing model with the 2D dimming function 444 applied to the original image 442. As illustrated, the modified input image 446 does not include sharp edges. In addition, the region of interest 448 maintains a high brightness similar to the brightness of the original image 442. However, as illustrated, pixel values outside of the region of interest 448 are dimmed, which can result in background textures of the original image 442 having less impact on the output from an image processing model. For example, the darkened pixels can have less contrast than the pixels in the region of interest 448, and can be less dominant. In some cases, making the darkened pixels less dominant outside of the region of interest 448 can cause an image processing model to focus more on the pixels of the region of interest.

[0109] FIG. 4H illustrates a graph 450 including a plot 452 of phase detection vs. predicted focused lens position for a traditional PDAF function and a plot 454 of phase detection vs. predicted focused lens position for an image processing model with the modified input image 446 as input. As illustrated, the performance of the image processing model closed matches the performance of the traditional PDAF function.

[0110] FIG. 4I through FIG. 4K illustrate an example of applying a 2D dimming function with different vertical and horizontal responses to generate an input image for the image processing model and graphs illustrating the performance of the 2D dimming weight with different vertical and horizontal responses.

[0111] FIG. 4I illustrates a rectangular original image 462 including a central region of interest 463. FIG. 4I also illustrates a vertical 1D dimming function 464 and a horizontal 1D dimming function 466. For example, the vertical 1D dimming function 464 can include a gaussian function and the horizontal 1D dimming function 466 can include a different gaussian function.

[0112] FIG. 4J illustrates a 2D dimming function 468 resulting from the combination of the vertical 1D dimming function 464 and the horizontal 1D dimming function 466 of FIG. 4I.

[0113] FIG. 4K illustrates a modified output image 470 that can be generated by applying the 2D dimming function 468 to the rectangular original image 462.

[0114] FIG. 5A through FIG. 5C illustrate an example of autofocus techniques performed on a region of interest that is larger than an input image dimension for an image processing model.

[0115] FIG. 5A illustrates an original image 502 including a region of interest 504 that is larger than a fixed input dimension corresponding to a portion of the region of interest 506 used as an input for an image processing model. As illustrated, the portion of the region of interest 506 is centered within the region of interest 504.

[0116] FIG. 5B is a graph 510 illustrating a plot 512 for a traditional PDAF applied to the full region of interest 504 of FIG. 5A and a plot 514 for an output of the image processing model for the portion of the region of interest 506 of FIG. 5A.

[0117] As illustrated in FIG. 5B, the plots 512, 514 illustrate PD values (e.g., an indication of how far the lens must be moved to achieve focus) of AF full sweep results over 400 possible lens positions (e.g., logical lens positions from 0 to 399, then returns to the lens position corresponding to in-focus state 251 of FIG. 2A) . Theoretically, an ideal PD curve is very linear (e.g., includes low oscillation) , and PD should be around zero when lens position is at the focusing position. As illustrated, the PD stability and linearity of the plot 514 for an output of the image processing model exhibits poor linearly relative to the plot 512 for a traditional PDAF because the portion of the region of interest 506 of FIG. 5A omits regions of high contrast in the region of interest 504 of FIG. 5A.

[0118] FIG. 5C is a graph 520 illustrating a plot 522 for a traditional PDAF applied to the full region of interest 504 of FIG. 5A and a plot 524 for an output of the image processing model for the portion of the region of interest 506 of FIG. 5A.

[0119] As illustrated in FIG. 5C, the plots 522 and 524 illustrate confidence levels of AF full sweep results over 400 possible lens positions (e.g., logical lens positions from 0 to 399, then returns to the lens positions corresponding to in-focus state 251 of FIG. 2A) . In some cases, a high confidence level can be indicative that the PD result is reliable. As illustrated, the plot 522 for a traditional PDAF mostly has a higher confidence level than the plot 524 for an output of the image processing model. Accordingly the results from providing a portion of a region of interest 506 taken from the center of a region of interest 504 of FIG. 4A an image processing model may be less likely to be selected and used.

[0120] FIG. 5D through FIG. 5F illustrate an example technique for determining a crop for a region of interest that is larger than an input image dimension for an image processing model.

[0121] FIG. 5D illustrates an example of a function that can be used to select a position for the portion of a region of interest 536 within a region of interest 534. As illustrated, the region of interest 534 in the original image 530 can be divided into multiple sections 532. For example, as illustrated in FIG. 5D, the sections 532 can include a 3x3 array of rectangles of equal size fitted to the region of interest 534. In some cases, an analysis function, which can operate faster than the image processing model, can be used to analyze each section of the multiple sections 532. In one illustrative example, the analysis function can include a traditional PDAF function. In some cases, the traditional PDAF function can be used to identify the best crop of the region of interest 534. In some cases, the best crop of the region can be determined based on a region with a high texture. In some cases, the best crop of the region can be determined based on a region with a high confidence. In some cases, the best crop of the region can be determined based on a region with a small PD value. In some cases, once the cropped region is determined, an input image for the image processing model can be cropped from the original image 530.

[0122] FIG. 5E is a graph 540 illustrating a plot 542 for a traditional PDAF applied to the full region of interest 534 of FIG. 5D and a plot 544 for an output of the image processing model for the portion of the region of interest 536 of FIG. 5D.

[0123] As illustrated in FIG. 5E, the plots 542, 544 illustrate PD values (e.g., an indication of how far the lens must be moved to achieve focus) of AF full sweep results over 400 possible lens positions (e.g., logical lens positions from 0 to 399, then returns to the lens position corresponding to in-focus state 251 of FIG. 2A) . Theoretically, an ideal PD curve is very linear (e.g., includes low oscillation) , and PD should be around zero when lens position is at the focusing position (e.g., in-focus state 251 of FIG. 2A) . As illustrated, the PD stability and linearity of the plot 544 for an output of the image processing model with the best cropped input image (e.g., portion of the region of interest 536 of FIG. 5D) as input can have performance closely matching the performance of traditional PDAF as illustrated in plot 542.

[0124] FIG. 5F is a graph 550 illustrating a plot 552 for a traditional PDAF applied to the full region of interest 534 of FIG. 5D and a plot 554 for an output of the image processing model for the portion of the region of interest 536 of FIG. 5D.

[0125] As illustrated in FIG. 5F, the plots 552, 554 illustrate confidence levels of AF full sweep results over 400 possible lens positions (e.g., logical lens positions from 0 to 399, then returns to the lens position corresponding to in-focus state 251 of FIG. 2A) . In some cases, a high confidence level can be indicative that the PD result is reliable. As illustrated, the plot 554 for an output of the image processing model has a higher confidence level than the plot 552 for a traditional PDAF for most lens positions. Accordingly, results from the image processing model for a best cropped input image (e.g., portion of the region of interest 536) are more likely to be selected and used.

[0126] As illustrated in FIG. 5E and FIG. 5F, the output of the image processing model on the portion of the region of interest 536 of FIG. 5D can produce a more accurate result when compared to using the centered portion of the region of interest 506 of FIG. 5A.

[0127] As illustrated in FIG. 5B and FIG. 5E, the PD stability and linearity of the plot 544 for an output of the image processing model with the best cropped input image (e.g., portion of the region of interest 536 of FIG. 5D) as input is better than the PD stability and linearity of the plot 514 for an output of the image processing model with the centered portion of the region of interest 506 of FIG. 5A. From a confidence level perspective in FIG. 5C and FIG. 5F, the plot 554 for an output of the image processing model with the best cropped input image (e.g., portion of the region of interest 536 of FIG. 5D) as input has higher confidence levels than the plot 524 for an output of the image processing model with the centered portions of the region of interest 506 of FIG. 5A. The outputs of the image processing model have high possibility to the selected and used.

[0128] FIG. 6A is a flow diagram illustrating an example of a process 600 of wireless communication. The process 600 and / or other process described herein can be performed by a computing device (or apparatus) or a component (e.g., a chipset, codec, etc. ) of the computing device. The computing device may be an extended reality (XR) device (e.g., a virtual reality (VR) device or augmented reality (AR) device) , a mobile device (e.g., a mobile phone) , a network-connected wearable such as a watch, a vehicle or component or system of a vehicle, or other type of computing device. In one example, the process 600 and / or other process described herein can be performed by the vehicle computing system image capture and processing system 100 of FIG. 1A. In another example, one or more of the processes can be performed by the image capture device 105A shown in FIG. 1A. In another example, one or more of the processes can be performed by the image processing device 105B shown in FIG. 1A. In another example, one or more of the processes can be performed by the image capture and processing system 170 shown in FIG. 1B. In another example, one or more of the processes can be performed by the camera system 265 shown in FIG. 2A through FIG. 2C. In another example, one or more of the processes can be performed by the computing system 1200 shown in FIG. 12. For instance, a computing device with the computing system 1200 shown in FIG. 12 can include the components of the image capture and processing system 100, the image capture device 105A, the image processing device 105B, the processing system 170, the camera system 265, and / or any combination thereof and can implement the operations of the process 600 of FIG. 6 and / or other process described herein. The operations of the process 600 may be implemented as software components that are executed and run on one or more processors (e.g., the processor 1210 of FIG. 12, a processor such as a DSP, GPU, NPU, etc., or other processor (s) ) . Further, the transmission and reception of signals by the computing device in the process 600 may be enabled, for example, by one or more antennas, one or more transceivers (e.g., wireless transceiver (s) ) , and / or other communication components of the computing device (e.g., the communications interface 1240 of FIG. 12) .

[0129] At block 602, the computing device (or component thereof) can obtain an image comprising a region of interest. In some cases, a dimension of the region of interest is less than an input image dimension for an image processing model.

[0130] At block 604, the computing device (or component thereof) can generate an input image for the image processing model based on the image. In some examples, generating the input image includes modifying pixel values of a portion of the image having a dimension equal to the input image dimension for the image processing model. In some aspects, the region of the image includes the region of interest.

[0131] At block 606, the computing device (or component thereof) can process, by the image processing model, the input image.

[0132] In some aspects, the computing device (or component thereof) can generate the input image for the image processing model based on the image includes replacing pixel values of pixels outside of the portion of the image having the dimension equal to the input image dimension with a constant value. In some implementations, the constant value is zero.

[0133] In some cases, generating the input image for the image processing model based on the image includes applying a 2D dimming function to pixel values of the portion of the image having the dimension equal to the input image dimension. In some examples, the 2D dimming function includes a continuous function. In some implementations, the 2D dimming function includes a gaussian function. In some examples, the 2D dimming function includes a horizontal response and a vertical response, the vertical response being different from the horizontal response. In some aspects, the horizontal response includes a 1D gaussian function and the vertical response includes an additional 1D gaussian function, different from the 1D gaussian function.

[0134] In some examples, generating the input image for the image processing model based on the image includes to replace pixel values of pixels of the portion of the image having the dimension equal to the input image dimension outside of the region of interest with repeating patches of pixel values from within the region of interest. In some examples, the repeating patches of pixel values include duplicates of the region of interest. In some implementations, the repeating patches of pixels values include pixel values of neighboring pixels outside of the region of interest.

[0135] FIG. 6B is a flow diagram illustrating an example of a process 650 of wireless communication. The process 650 and / or other process described herein can be performed by a computing device (or apparatus) or a component (e.g., a chipset, codec, etc. ) of the computing device. The computing device may be an extended reality (XR) device (e.g., a virtual reality (VR) device or augmented reality (AR) device) , a mobile device (e.g., a mobile phone) , a network-connected wearable such as a watch, a vehicle or component or system of a vehicle, or other type of computing device. In one example, the process 650 and / or other process described herein can be performed by the vehicle computing system image capture and processing system 100 of FIG. 1A. In another example, one or more of the processes can be performed by the image capture device 105A shown in FIG. 1A. In another example, one or more of the processes can be performed by the image processing device 105B shown in FIG. 1A. In another example, one or more of the processes can be performed by the image capture and processing system 170 shown in FIG. 1B. In another example, one or more of the processes can be performed by the camera system 265 shown in FIG. 2A through FIG. 2C. In another example, one or more of the processes can be performed by the computing system 1200 shown in FIG. 12. For instance, a computing device with the computing system 1200 shown in FIG. 12 can include the components of the image capture and processing system 100, the image capture device 105A, the image processing device 105B, the processing system 170, the camera system 265, and / or any combination thereof and can implement the operations of the process 650 of FIG. 6 and / or other process described herein. The operations of the process 650 may be implemented as software components that are executed and run on one or more processors (e.g., the processor 1210 of FIG. 12, a processor such as a DSP, GPU, NPU, etc., or other processor (s) ) . Further, the transmission and reception of signals by the computing device in the process 650 may be enabled, for example, by one or more antennas, one or more transceivers (e.g., wireless transceiver (s) ) , and / or other communication components of the computing device (e.g., the communications interface 1240 of FIG. 12) .

[0136] At block 652, the computing device (or component thereof) can obtain an image comprising a region of interest. A dimension of the region of interest is greater than an input image dimension for an image processing model.

[0137] At block 654, the computing device (or component thereof) can generate an input image for the image processing model based on the image.generating the input image includes preprocessing the region of interest to determine a portion of the region of interest having a dimension equal to the input image dimension for the image processing model

[0138] At block 656, the computing device (or component thereof) can process, by the image processing model, the portion of the region of interest having the dimension equal to the input image dimension for the image processing model.

[0139] In some implementations, generating the input image for the image processing model based on the image includes: dividing the region of interest into a plurality of sections; determining one or more sections of the plurality of sections satisfying one or more selection criteria; and cropping the region of interest to generate the portion of the region of interest having a dimension equal to the input image dimension. In some cases, the portion of the region of interest includes at least one of the one or more sections of the plurality of sections satisfying the one or more selection criteria.

[0140] In some examples, the portion of interest is configured to maximize a number of the one or more sections of the plurality of sections satisfying the one or more selection criteria included in the portion of the region of interest. In some cases, the plurality of sections comprise rectangular sections. In some aspects, the plurality of sections comprise a 3x3 grid of rectangular sections.

[0141] In some cases, determining one or more sections of the plurality of sections satisfying one or more selection criteria includes processing each section of the plurality of sections by a PDAF algorithm.

[0142] In some implementations determining that one or more sections of the plurality of sections satisfying one or more selection criteria includes determining that the one or more sections of the plurality of sections includes a region with high texture.

[0143] In some examples, determining that one or more sections of the plurality of sections satisfy one or more selection criteria includes determining that the one or more sections of the plurality of sections includes a region with high confidence.

[0144] In some cases, the computing device (or component thereof) can determine that one or more sections of the plurality of sections satisfying one or more selection criteria includes determining that the one or more sections of the plurality of sections includes a region with a low PD value.

[0145] In some aspects, the portion of the region of interest having the dimension equal to the input image dimension includes one or more partial sections of the plurality of sections.

[0146] The processes 600, 650 illustrated in FIG. 6A and FIG. 6B may also include any operation discussed illustrated in, or discussed with respect to, the image capture and processing system 100, the image capture device 105A, the image processing device 105B, image capture and processing system 170 of FIG. 1B, camera system 265 of FIG. 2A through FIG. 2C or a combination thereof. The flow diagrams of FIG. 6A and / or FIG. 6B may represent at least some of the operations of an image capture and processing system 100, an image capture device 105A, an image processing device 105B, of FIG. 1A, image capture and processing system 170 of FIG. 1B, camera system 265 of FIG. 2A through FIG. 2C, an unmanned ground vehicle (UGV) 710, an unmanned aerial vehicle (UAV) 720, a head-mounted display (HMD) 810, a mobile device 950, a computing system 1200, or a combination thereof.

[0147] In some cases, at least a subset of the techniques illustrated by the process 600 and / or process 650 may be performed remotely by one or more network servers of a cloud service. In some examples, the processes described herein (e.g., process 600, process 650 and / or other process (es) described herein) may be performed by a computing device or apparatus. In some examples, the process 600 and / or process 650 can be performed by the image capture device 105A of FIG. 1A. In some examples, the process 600 and / or process 650 can be performed by the image processing device 105B of FIG. 1A. The process 600 and / or process 650 can also be performed by the image capture and processing system 100 of FIG. 1A.The process 600 and / or process 650 can also be performed by the image capture and processing system 170 of FIG. 1B. The process 600 and / or process 650 can also be performed by a computing device with the architecture of the computing system 1200 shown in FIG. 12. The computing device can include any suitable device, such as a mobile device (e.g., a mobile phone) , a desktop computing device, a tablet computing device, a wearable device (e.g., a VR headset, an AR headset, AR glasses, a network-connected watch or smartwatch, or other wearable device) , a server computer, an autonomous vehicle or computing device of an autonomous vehicle, a robotic device, a television, and / or any other computing device with the resource capabilities to perform the processes described herein, including the process 600 and / or process 650. In some cases, the computing device or apparatus may include various components, such as one or more input devices, one or more output devices, one or more processors, one or more microprocessors, one or more microcomputers, one or more cameras, one or more sensors, and / or other component (s) that are configured to carry out the steps of processes described herein. In some examples, the computing device may include a display, a network interface configured to communicate and / or receive the data, any combination thereof, and / or other component (s) . The network interface may be configured to communicate and / or receive Internet Protocol (IP) based data or other type of data.

[0148] The components of the computing device can be implemented in circuitry. For example, the components can include and / or can be implemented using electronic circuits or other electronic hardware, which can include one or more programmable electronic circuits (e.g., microprocessors, graphics processing units (GPUs) , digital signal processors (DSPs) , central processing units (CPUs) , and / or other suitable electronic circuits) , and / or can include and / or be implemented using computer software, firmware, or any combination thereof, to perform the various operations described herein.

[0149] The flow diagram illustrating process 600 is illustrative of, or organized as, logical flow diagrams, the operation of which represents a sequence of operations that can be implemented in hardware, computer instructions, or a combination thereof. In the context of computer instructions, the operations represent computer-executable instructions stored on one or more computer-readable storage media that, when executed by one or more processors, perform the recited operations. Generally, computer-executable instructions include routines, programs, objects, components, data structures, and the like that perform particular functions or implement particular data types. The order in which the operations are described is not intended to be construed as a limitation, and any number of the described operations can be combined in any order and / or in parallel to implement the processes.

[0150] Additionally, the flow diagram illustrating process 600 and / or other processes described herein may be performed under the control of one or more computer systems configured with executable instructions and may be implemented as code (e.g., executable instructions, one or more computer programs, or one or more applications) executing collectively on one or more processors, by hardware, or combinations thereof. As noted above, the code may be stored on a computer-readable or machine-readable storage medium, for example, in the form of a computer program comprising a plurality of instructions executable by one or more processors. The computer-readable or machine-readable storage medium may be non-transitory.

[0151] FIG. 7A is a perspective diagram 700 illustrating an unmanned ground vehicle (UGV) 710 that performs feature tracking and / or visual simultaneous localization and mapping (VSLAM) , in accordance with some examples. The UGV 710 includes a first camera 730A and a second camera 730B along a front surface of the UGV 710. The first camera 730A and a second camera 730B may be two of two of the image capture and processing system 100 of  FIG. 1A, image capture device 105A of FIG. 1A, image processing device 105B of FIG. 1A, image capture and processing system 170 of FIG. 1B, camera system 265 of FIG. 2A through FIG. 2C, or any combination thereof. In some examples, the UGV 710 may include one or more additional cameras in addition to the first camera 730A and the second camera 730B. In some examples, the UGV 710 may include one or more additional sensors in addition to the first camera 730A and the second camera 730B. The UGV 710 includes multiple wheels 715 along a bottom surface of the UGV 710. The wheels 715 may act as a conveyance of the UGV 710, and may be motorized using one or more motors that may be actuated by a movement actuator of the UGV 710. The movement actuator, the motors, and thus the wheels 715, may be actuated to move the UGV 710 along a path.

[0152] FIG. 7B is a perspective diagram 750 illustrating an unmanned aerial vehicle (UAV) 720 that performs feature tracking and / or visual simultaneous localization and mapping (VSLAM) , in accordance with some examples. The UAV 720 includes a first camera 730A and a second camera 730B along a front portion of a body of the UAV 720. The first camera 730A and a second camera 730B may be two of image capture and processing system 100 of FIG. 1A, image capture device 105A of FIG. 1A, image processing device 105B of FIG. 1A, image capture and processing system 170 of FIG. 1B, camera system 265 of FIG. 2A through FIG. 2C, or any combination thereof. In some examples, the UAV 720 may include one or more additional cameras in addition to the first camera 730A and the second camera 730B. In some examples, the UAV 720 may include one or more additional sensors in addition to the first camera 730A and the second camera 730B. The UAV 720 includes multiple propellers 725 along the top of the UAV 720. The propellers 725 may be spaced apart from the body of the UAV 720 by one or more appendages to prevent the propellers 725 from snagging on circuitry on the body of the UAV 720 and / or to prevent the propellers 725 from occluding the view of the first camera 730A and / or the second camera 730B. The propellers 725 may act as a conveyance of the UAV 720, and may be motorized using one or more motors that may be actuated by a movement actuator of the UAV 720. The movement actuator, the motors, and thus the propellers 725, may be actuated to move the UAV 720 along a path.

[0153] Where a SLAM system or a tracking system with a SLAM engine is a vehicle, such as the UGV 710 or UAV 720, the SLAM system may include a path planning engine and / or a movement actuator. The path planning engine may generate a path along which the vehicle is to move. In some examples, path planning engine may use a Dijkstra algorithm to plan the path. In some examples, the path planning engine may include stationary obstacle avoidance and / or moving obstacle avoidance in planning the path. In some examples, the path planning engine may include determinations as to how to best move the vehicle from a first pose to a second pose in planning the path. In some examples, the path planning engine may plan a path that is optimized to reach and observe every portion of a first region of an environment (e.g., a first set of one or more rooms in the environment) before moving on to a second region of the environment (e.g., the second set of one or more rooms of the environment) in planning the path. In some examples, the path planning engine may plan a path that is optimized to reach and observe a predetermined set of rooms in an environment (e.g., every room in the environment) as quickly as possible. In some examples, the path planning engine may plan a path that returns to a previously-observed room to observe a particular feature again to improve one or more map points corresponding the feature in the local map and / or global map (e.g., to perform a loop closure) . In some examples, the path planning engine may plan a path that returns to a previously-observed room to observe a portion of the previously-observed room that lacks map points in the local map and / or global map to see if any features can be observed in that portion of the room. The movement actuator may actuate one or more motors to actuate a motorized conveyance (e.g., the wheels 715 or the propellers 725) to move the vehicle along the path planned by the path planning engine.

[0154] FIG. 8A is a perspective diagram 800 illustrating a head-mounted display (HMD) 810 that performs feature tracking and / or visual simultaneous localization and mapping (VSLAM) , in accordance with some examples. The HMD 810 may be, for example, an augmented reality (AR) headset, a virtual reality (VR) headset, a mixed reality (MR) headset, an extended reality (XR) headset, or some combination thereof. The HMD 810 includes a first camera 830A and a second camera 830B along a front portion of the HMD 810. The first camera 830A and the second camera 830B may be two of image capture and processing system 100 of FIG. 1A, image capture device 105A of FIG. 1A, image processing device 105B of FIG. 1A, image capture and processing system 170 of FIG. 1B, camera system 265 of FIG. 2A through FIG. 2C, or any combination thereof. In some examples, the HMD 810 may only have a single camera. In some examples, the HMD 810 may include one or more additional cameras in addition to the first camera 830A and the second camera 830B. In some examples, the HMD 810 may include one or more additional sensors in addition to the first camera 830A and the second camera 830B.

[0155] FIG. 8B is a perspective diagram 830 illustrating the head-mounted display (HMD) 810 of FIG. 8A being worn by a user 820, in accordance with some examples. The user 820 wears the HMD 810 on the user 820’s head over the user 820’s eyes. The HMD 810 can capture images with the first camera 830A and the second camera 830B. In some examples, the HMD 810 displays one or more display images toward the user 820’s eyes that are based on the images captured by the first camera 830A and the second camera 830B. The display images may provide a stereoscopic view of the environment, in some cases with information overlaid and / or with other modifications. For example, the HMD 810 can display a first display image to the user 820’s right eye, the first display image based on an image captured by the first camera 830A. The HMD 810 can display a second display image to the user 820’s left eye, the second display image based on an image captured by the second camera 830B. For instance, the HMD 810 may provide overlaid information in the display images overlaid over the images captured by the first camera 830A and the second camera 830B.

[0156] The HMD 810 includes no wheels 715, propellers 725, or other conveyance of its own. Instead, the HMD 810 relies on the movements of the user 820 to move the HMD 810 about the environment. Thus, in some cases, the HMD 810, when performing a SLAM technique, can skip path planning using a path planning engine and / or movement actuation using the movement actuator. In some cases, the HMD 810 can still perform path planning using a path planning engine, and can indicate directions to follow a suggested path to the user 820 to direct the user along the suggested path planned using the path planning engine. In some cases, for instance where the HMD 810 is a VR headset, the environment may be entirely or partially virtual. If the environment is at least partially virtual, then movement through the virtual environment may be virtual as well. For instance, movement through the virtual environment can be controlled by an input device. The movement actuator may include any such input device. Movement through the virtual environment may not require wheels 715, propellers 725, legs, or any other form of conveyance. If the environment is a virtual environment, then the HMD 810 can still perform path planning using the path planning engine and / or movement actuation. If the environment is a virtual environment, the HMD 810 can perform movement actuation using the movement actuator by performing a virtual movement within the virtual environment. Even if an environment is virtual, SLAM techniques may still be valuable, as the virtual environment can be unmapped and / or may have been generated by a device other than the HMD 810, such as a remote server or console associated with a video game or video game platform. In some cases, feature tracking and / or SLAM may be performed in a virtual environment even by vehicle or other device that has its own physical conveyance system that allows it to physically move about a physical environment.

[0157] FIG. 9A is a perspective diagram 900 illustrating a front surface 955 of a mobile device 950 that performs feature tracking and / or visual simultaneous localization and mapping (VSLAM) using one or more front-facing cameras 930A-B, in accordance with some examples. The mobile device 950 may be, for example, a cellular telephone, a satellite phone, a portable gaming console, a music player, a health tracking device, a wearable device, a wireless communication device, a laptop, a mobile device, any other type of computing device or computing system 1200 discussed herein, or a combination thereof. The front surface 955 of the mobile device 950 includes a display screen 945. The front surface 955 of the mobile device 950 includes a first camera 930A and a second camera 930B. The first camera 930A and the second camera 930B are illustrated in a bezel around the display screen 945 on the front surface 955 of the mobile device 950. In some examples, the first camera 930A and the second camera 930B can be positioned in a notch or cutout that is cut out from the display screen 945 on the front surface 955 of the mobile device 950. In some examples, the first camera 930A and the second camera 930B can be under-display cameras that are positioned between the display screen 945 and the rest of the mobile device 950, so that light passes through a portion of the display screen 945 before reaching the first camera 930A and the second camera 930B. The first camera 930A and the second camera 930B of the perspective diagram 900 are front-facing cameras. The first camera 930A and the second camera 930B face a direction perpendicular to a planar surface of the front surface 955 of the mobile device 950. The first camera 930A and the second camera 930B may be two of image capture and processing system 100 of FIG. 1A, image capture device 105A of FIG. 1A, image processing device 105B of FIG. 1A, image capture and processing system 170 of FIG. 1B, camera system 265 of FIG. 2A through FIG. 2C, or any combination thereof. In some examples, the front surface 955 of the mobile device 950 may only have a single camera. In some examples, the mobile device 950 may include one or more additional cameras in addition to the first camera 930A and the second camera 930B. In some examples, the mobile device 950 may include one or more additional sensors in addition to the first camera 930A and the second camera 930B.

[0158] FIG. 9B is a perspective diagram 990 illustrating a rear surface 965 of a mobile device 950 that performs gaze tracking and / or visual simultaneous localization and mapping (VSLAM) using one or more rear-facing cameras 930C-D, in accordance with some examples. The mobile device 950 includes a third camera 930C and a fourth camera 930D on the rear surface 965 of the mobile device 950. The third camera 930C and the fourth camera 930D of the perspective diagram 990 are rear-facing. The third camera 930C and the fourth camera 930D face a direction perpendicular to a planar surface of the rear surface 965 of the mobile device 950. While the rear surface 965 of the mobile device 950 does not have a display screen 945 as illustrated in the perspective diagram 990, in some examples, the rear surface 965 of the mobile device 950 may have a second display screen. If the rear surface 965 of the mobile device 950 has a display screen 945, any positioning of the third camera 930C and the fourth camera 930D relative to the display screen 945 may be used as discussed with respect to the first camera 930A and the second camera 930B at the front surface 955 of the mobile device 950. The third camera 930C and the fourth camera 930D may be two of image capture and processing system 100 of FIG. 1A, image capture device 105A of FIG. 1A, image processing device 105B of FIG. 1A, image capture and processing system 170 of FIG. 1B, camera system 265 of FIG. 2A through FIG. 2C, or any combination thereof. In some examples, the rear surface 965 of the mobile device 950 may only have a single camera. In some examples, the mobile device 950 may include one or more additional cameras in addition to the first camera 930A, the second camera 930B, the third camera 930C, and the fourth camera 930D. In some examples, the mobile device 950 may include one or more additional sensors in addition to the first camera 930A, the second camera 930B, the third camera 930C, and the fourth camera 930D.

[0159] Like the HMD 810, the mobile device 950 includes no wheels 715, propellers 725, or other conveyance of its own. Instead, the mobile device 950 relies on the movements of a user holding or wearing the mobile device 950 to move the mobile device 950 about the environment. Thus, in some cases, the mobile device 950, when performing a SLAM technique, can skip path planning using the path planning engine and / or movement actuation using the movement actuator. In some cases, the mobile device 950 can still perform path planning using the path planning engine, and can indicate directions to follow a suggested path to the user to direct the user along the suggested path planned using the path planning engine. In some cases, for instance where the mobile device 950 is used for AR, VR, MR, or XR, the environment may be entirely or partially virtual. In some cases, the mobile device 950 may be slotted into a head-mounted device (HMD) (e.g., into a cradle of the HMD) so that the mobile device 950 functions as a display of the HMD, with the display screen 945 of the mobile device 950 functioning as the display of the HMD. If the environment is at least partially virtual, then movement through the virtual environment may be virtual as well. For instance, movement through the virtual environment can be controlled by one or more joysticks, buttons, video game controllers, mice, keyboards, trackpads, and / or other input devices that are coupled in a wired or wireless fashion to the mobile device 950. The movement actuator may include any such input device. Movement through the virtual environment may not require wheels 715, propellers 725, legs, or any other form of conveyance. If the environment is a virtual environment, then the mobile device 950 can still perform path planning using the path planning engine and / or movement actuation. If the environment is a virtual environment, the mobile device 950 can perform movement actuation using the movement actuator by performing a virtual movement within the virtual environment.

[0160] As noted above, various aspects of the present disclosure can use machine learning models or systems. FIG. 10 is an illustrative example of a deep learning neural network 1000 that can be used to implement the machine learning based feature extraction and / or activity recognition (or classification) described above. An input layer 1020 includes input data. In one illustrative example, the input layer 1020 can include data representing the pixels of an input video frame. The neural network 1000 includes multiple hidden layers 1022a, 1022b, through 1022n. The hidden layers 1022a, 1022b, through 1022n include “n” number of hidden layers, where “n” is an integer greater than or equal to one. The number of hidden layers can be made to include as many layers as needed for the given application. The neural network 1000 further includes an output layer 1021 that provides an output resulting from the processing performed by the hidden layers 1022a, 1022b, through 1022n. In one illustrative example, the output layer 1021 can provide a classification for an object in an input video frame. The classification can include a class identifying the type of activity (e.g., looking up, looking down, closing eyes, yawning, etc. ) .

[0161] The neural network 1000 is a multi-layer neural network of interconnected nodes. Each node can represent a piece of information. Information associated with the nodes is shared among the different layers and each layer retains information as information is processed. In some cases, the neural network 1000 can include a feed-forward network, in which case there are no feedback connections where outputs of the network are fed back into itself. In some cases, the neural network 1000 can include a recurrent neural network, which can have loops that allow information to be carried across nodes while reading in input.

[0162] Information can be exchanged between nodes through node-to-node interconnections between the various layers. Nodes of the input layer 1020 can activate a set of nodes in the first hidden layer 1022a. For example, as shown, each of the input nodes of the input layer 1020 is connected to each of the nodes of the first hidden layer 1022a. The nodes of the first hidden layer 1022a can transform the information of each input node by applying activation functions to the input node information. The information derived from the transformation can then be passed to and can activate the nodes of the next hidden layer 1022b, which can perform their own designated functions. Example functions include convolutional, up-sampling, data transformation, and / or any other suitable functions. The output of the hidden layer 1022b can then activate nodes of the next hidden layer, and so on. The output of the last hidden layer 1022n can activate one or more nodes of the output layer 1021, at which an output is provided. In some cases, while nodes (e.g., node 1026) in the neural network 1000 are shown as having multiple output lines, a node has a single output and all lines shown as being output from a node represent the same output value.

[0163] In some cases, each node or interconnection between nodes can have a weight that is a set of parameters derived from the training of the neural network 1000. Once the neural network 1000 is trained, it can be referred to as a trained neural network, which can be used to classify one or more activities. For example, an interconnection between nodes can represent a piece of information learned about the interconnected nodes. The interconnection can have a tunable numeric weight that can be tuned (e.g., based on a training dataset) , allowing the neural network 1000 to be adaptive to inputs and able to learn as more and more data is processed.

[0164] The neural network 1000 is pre-trained to process the features from the data in the input layer 1020 using the different hidden layers 1022a, 1022b, through 1022n in order to provide the output through the output layer 1021. In an example in which the neural network 1000 is used to identify activities being performed by a driver in frames, the neural network 1000 can be trained using training data that includes both frames and labels, as described above. For instance, training frames can be input into the network, with each training frame having a label indicating the features in the frames (for the feature extraction machine learning system) or a label indicating classes of an activity in each frame. In one example using object classification for illustrative purposes, a training frame can include an image of a number 2, in which case the label for the image can be [0 0 1 0 0 0 0 0 0 0] .

[0165] In some cases, the neural network 1000 can adjust the weights of the nodes using a training process called backpropagation. As noted above, a backpropagation process can include a forward pass, a loss function, a backward pass, and a weight update. The forward pass, loss function, backward pass, and parameter update is performed for one training iteration. The process can be repeated for a certain number of iterations for each set of training images until the neural network 1000 is trained well enough so that the weights of the layers are accurately tuned.

[0166] For the example of identifying objects in frames, the forward pass can include passing a training frame through the neural network 1000. The weights are initially randomized before the neural network 1000 is trained. As an illustrative example, a frame can include an array of numbers representing the pixels of the image. Each number in the array can include a value from 0 to 255 describing the pixel intensity at that position in the array. In one example, the array can include a 28 x 28 x 3 array of numbers with 28 rows and 28 columns of pixels and 3 color components (such as red, green, and blue, or luma and two chroma components, or the like) .

[0167] As noted above, for a first training iteration for the neural network 1000, the output will likely include values that do not give preference to any particular class due to the weights being randomly selected at initialization. For example, if the output is a vector with probabilities that the object includes different classes, the probability value for each of the different classes may be equal or at least very similar (e.g., for ten possible classes, each class may have a probability value of 0.1) . With the initial weights, the neural network 1000 is unable to determine low level features and thus cannot make an accurate determination of what the classification of the object might be. A loss function can be used to analyze error in the output. Any suitable loss function definition can be used, such as a Cross-Entropy loss. Another example of a loss function includes the mean squared error (MSE) , defined as The loss can be set to be equal to the value of Etotal.

[0168] The loss (or error) will be high for the first training images since the actual values will be much different than the predicted output. The goal of training is to minimize the amount of loss so that the predicted output is the same as the training label. The neural network 1000 can perform a backward pass by determining which inputs (weights) most contributed to the loss of the network, and can adjust the weights so that the loss decreases and is eventually minimized. A derivative of the loss with respect to the weights (denoted as dL / dW, where W are the weights at a particular layer) can be computed to determine the weights that contributed most to the loss of the network. After the derivative is computed, a weight update can be performed by updating all the weights of the filters. For example, the weights can be updated so that they change in the opposite direction of the gradient. The weight update can be denoted as where w denotes a weight, wi denotes the initial weight, and η denotes a learning rate. The learning rate can be set to any suitable value, with a high learning rate including larger weight updates and a lower value indicating smaller weight updates.

[0169] The neural network 1000 can include any suitable deep network. One example includes a convolutional neural network (CNN) , which includes an input layer and an output layer, with multiple hidden layers between the input and out layers. The hidden layers of a CNN include a series of convolutional, nonlinear, pooling (for downsampling) , and fully connected layers. The neural network 1000 can include any other deep network other than a CNN, such as an autoencoder, a deep belief nets (DBNs) , a Recurrent Neural Networks (RNNs) , among others.

[0170] FIG. 11 is an illustrative example of a convolutional neural network (CNN) 1100. The input layer 1120 of the CNN 1100 includes data representing an image or frame. For example, the data can include an array of numbers representing the pixels of the image, with each number in the array including a value from 0 to 255 describing the pixel intensity at that position in the array. Using the previous example from above, the array can include a 28 x 28 x 3 array of numbers with 28 rows and 28 columns of pixels and 3 color components (e.g., red, green, and blue, or luma and two chroma components, or the like) . The image can be passed through a convolutional hidden layer 1122a, an optional non-linear activation layer, a pooling hidden layer 1122b, and fully connected hidden layers 1122c to get an output at the output layer 1124. While only one of each hidden layer is shown in FIG. 11, one of ordinary skill will appreciate that multiple convolutional hidden layers, non-linear layers, pooling hidden layers, and / or fully connected layers can be included in the CNN 1100. As previously described, the output can indicate a single class of an object or can include a probability of classes that best describe the object in the image.

[0171] The first layer of the CNN 1100 is the convolutional hidden layer 1122a. The convolutional hidden layer 1122a analyzes the image data of the input layer 1120. Each node of the convolutional hidden layer 1122a is connected to a region of nodes (pixels) of the input image called a receptive field. The convolutional hidden layer 1122a can be considered as one or more filters (each filter corresponding to a different activation or feature map) , with each convolutional iteration of a filter being a node or neuron of the convolutional hidden layer 1122a. For example, the region of the input image that a filter covers at each convolutional iteration would be the receptive field for the filter. In one illustrative example, if the input image includes a 28×28 array, and each filter (and corresponding receptive field) is a 5×5 array, then there will be 24×24 nodes in the convolutional hidden layer 1122a. Each connection between a node and a receptive field for that node learns a weight and, in some cases, an overall bias such that each node learns to analyze its particular local receptive field in the input image. Each node of the hidden layer 1122a will have the same weights and bias (called a shared weight and a shared bias) . For example, the filter has an array of weights (numbers) and the same depth as the input. A filter will have a depth of 3 for the video frame example (according to three color components of the input image) . An illustrative example size of the filter array is 5 x 5 x 3, corresponding to a size of the receptive field of a node.

[0172] The convolutional nature of the convolutional hidden layer 1122a is due to each node of the convolutional layer being applied to its corresponding receptive field. For example, a filter of the convolutional hidden layer 1122a can begin in the top-left corner of the input image array and can convolve around the input image. As noted above, each convolutional iteration of the filter can be considered a node or neuron of the convolutional hidden layer 1122a. At each convolutional iteration, the values of the filter are multiplied with a corresponding number of the original pixel values of the image (e.g., the 5x5 filter array is multiplied by a 5x5 array of input pixel values at the top-left corner of the input image array) . The multiplications from each convolutional iteration can be summed together to obtain a total sum for that iteration or node. The process is next continued at a next location in the input image according to the receptive field of a next node in the convolutional hidden layer 1122a. For example, a filter can be moved by a step amount (referred to as a stride) to the next receptive field. The stride can be set to 1 or other suitable amount. For example, if the stride is set to 1, the filter will be moved to the right by 1 pixel at each convolutional iteration. Processing the filter at each unique location of the input volume produces a number representing the filter results for that location, resulting in a total sum value being determined for each node of the convolutional hidden layer 1122a.

[0173] The mapping from the input layer to the convolutional hidden layer 1122a is referred to as an activation map (or feature map) . The activation map includes a value for each node representing the filter results at each locations of the input volume. The activation map can include an array that includes the various total sum values resulting from each iteration of the filter on the input volume. For example, the activation map will include a 24 x 24 array if a 5 x 5 filter is applied to each pixel (astride of 1) of a 28 x 28 input image. The convolutional hidden layer 1122a can include several activation maps in order to identify multiple features in an image. The example shown in FIG. 11 includes three activation maps. Using three activation maps, the convolutional hidden layer 1122a can detect three different kinds of features, with each feature being detectable across the entire image.

[0174] In some examples, a non-linear hidden layer can be applied after the convolutional hidden layer 1122a. The non-linear layer can be used to introduce non-linearity to a system that has been computing linear operations. One illustrative example of a non-linear layer is a rectified linear unit (ReLU) layer. A ReLU layer can apply the function f (x) = max (0, x) to all of the values in the input volume, which changes all the negative activations to 0. The ReLU can thus increase the non-linear properties of the CNN 1100 without affecting the receptive fields of the convolutional hidden layer 1122a.

[0175] The pooling hidden layer 1122b can be applied after the convolutional hidden layer 1122a (and after the non-linear hidden layer when used) . The pooling hidden layer 1122b is used to simplify the information in the output from the convolutional hidden layer 1122a. For example, the pooling hidden layer 1122b can take each activation map output from the convolutional hidden layer 1122a and generates a condensed activation map (or feature map) using a pooling function. Max-pooling is one example of a function performed by a pooling hidden layer. Other forms of pooling functions be used by the pooling hidden layer 1122a, such as average pooling, L2-norm pooling, or other suitable pooling functions. A pooling function (e.g., a max-pooling filter, an L2-norm filter, or other suitable pooling filter) is applied to each activation map included in the convolutional hidden layer 1122a. In the example shown in FIG. 11, three pooling filters are used for the three activation maps in the convolutional hidden layer 1122a.

[0176] In some examples, max-pooling can be used by applying a max-pooling filter (e.g., having a size of 2x2) with a stride (e.g., equal to a dimension of the filter, such as a stride of 2) to an activation map output from the convolutional hidden layer 1122a. The output from a max-pooling filter includes the maximum number in every sub-region that the filter convolves around. Using a 2x2 filter as an example, each unit in the pooling layer can summarize a region of 2×2 nodes in the previous layer (with each node being a value in the activation map) . For example, four values (nodes) in an activation map will be analyzed by a 2x2 max-pooling filter at each iteration of the filter, with the maximum value from the four values being output as the “max” value. If such a max-pooling filter is applied to an activation filter from the convolutional hidden layer 1122a having a dimension of 24x24 nodes, the output from the pooling hidden layer 1122b will be an array of 12x12 nodes.

[0177] In some examples, an L2-norm pooling filter could also be used. The L2-norm pooling filter includes computing the square root of the sum of the squares of the values in the 2×2 region (or other suitable region) of an activation map (instead of computing the maximum values as is done in max-pooling) , and using the computed values as an output.

[0178] Intuitively, the pooling function (e.g., max-pooling, L2-norm pooling, or other pooling function) determines whether a given feature is found anywhere in a region of the image, and discards the exact positional information. This can be done without affecting results of the feature detection because, once a feature has been found, the exact location of the feature is not as important as its approximate location relative to other features. Max-pooling (as well as other pooling methods) offer the benefit that there are many fewer pooled features, thus reducing the number of parameters needed in later layers of the CNN 1100.

[0179] The final layer of connections in the network is a fully-connected layer that connects every node from the pooling hidden layer 1122b to every one of the output nodes in the output layer 1124. Using the example above, the input layer includes 28 x 28 nodes encoding the pixel intensities of the input image, the convolutional hidden layer 1122a includes 3×24×24 hidden feature nodes based on application of a 5×5 local receptive field (for the filters) to three activation maps, and the pooling hidden layer 1122b includes a layer of 3×12×12 hidden feature nodes based on application of max-pooling filter to 2×2 regions across each of the three feature maps. Extending this example, the output layer 1124 can include ten output nodes. In such an example, every node of the 3x12x12 pooling hidden layer 1122b is connected to every node of the output layer 1124.

[0180] The fully connected layer 1122c can obtain the output of the previous pooling hidden layer 1122b (which should represent the activation maps of high-level features) and determines the features that most correlate to a particular class. For example, the fully connected layer 1122c layer can determine the high-level features that most strongly correlate to a particular class, and can include weights (nodes) for the high-level features. A product can be computed between the weights of the fully connected layer 1122c and the pooling hidden layer 1122b to obtain probabilities for the different classes. For example, if the CNN 1100 is being used to predict that an object in a video frame is a person, high values will be present in the activation maps that represent high-level features of people (e.g., two legs are present, a face is present at the top of the object, two eyes are present at the top left and top right of the face, a nose is present in the middle of the face, a mouth is present at the bottom of the face, and / or other features common for a person) .

[0181] In some examples, the output from the output layer 1124 can include an M-dimensional vector (in the prior example, M=10) . M indicates the number of classes that the CNN 1100 has to choose from when classifying the object in the image. Other example outputs can also be provided. Each number in the M-dimensional vector can represent the probability the object is of a certain class. In one illustrative example, if a 10-dimensional output vector represents ten different classes of objects is [0 0 0.05 0.8 0 0.15 0 0 0 0] , the vector indicates that there is a 5%probability that the image is the third class of object (e.g., a dog) , an 80%probability that the image is the fourth class of object (e.g., a human) , and a 15%probability that the image is the sixth class of object (e.g., a kangaroo) . The probability for a class can be considered a confidence level that the object is part of that class.

[0182] FIG. 12 is a diagram illustrating an example of a system for implementing certain aspects of the present technology. In particular, FIG. 12 illustrates an example of computing system 1200, which can be for example any computing device making up the image capture and processing system 100, the image capture device 105A, the image processing device 105B, image capture and processing system 170 or any component thereof in which the components of the system are in communication with each other using connection 1205. Connection 1205 can be a physical connection using a bus, or a direct connection into processor 1210, such as in a chipset architecture. Connection 1205 can also be a virtual connection, networked connection, or logical connection.

[0183] In some embodiments, computing system 1200 is a distributed system in which the functions described in this disclosure can be distributed within a datacenter, multiple data centers, a peer network, etc. In some embodiments, one or more of the described system components represents many such components each performing some or all of the function for which the component is described. In some embodiments, the components can be physical or virtual devices.

[0184] Example computing system 1200 includes at least one processing unit (CPU or processor) 1210 and connection 1205 that couples various system components including system memory 1215, such as read-only memory (ROM) 1220 and random access memory (RAM) 1225 to processor 1210. Computing system 1200 can include a cache 1212 of high-speed memory connected directly with, in close proximity to, or integrated as part of processor 1210.

[0185] Processor 1210 can include any general purpose processor and a hardware service or software service, such as services 1232, 1234, and 1236 stored in storage device 1230, configured to control processor 1210 as well as a special-purpose processor where software instructions are incorporated into the actual processor design. Processor 1210 may essentially be a completely self-contained computing system, containing multiple cores or processors, a bus, memory controller, cache, etc. A multi-core processor may be symmetric or asymmetric.

[0186] To enable user interaction, computing system 1200 includes an input device 1245, which can represent any number of input mechanisms, such as a microphone for speech, a touch-sensitive screen for gesture or graphical input, keyboard, mouse, motion input, speech, etc. Computing system 1200 can also include output device 1235, which can be one or more of a number of output mechanisms. In some instances, multimodal systems can enable a user to provide multiple types of input / output to communicate with computing system 1200. Computing system 1200 can include communications interface 1240, which can generally govern and manage the user input and system output. The communication interface may perform or facilitate receipt and / or transmission wired or wireless communications using wired and / or wireless transceivers, including those making use of an audio jack / plug, a microphone jack / plug, a universal serial bus (USB) port / plug, an port / plug, an Ethernet port / plug, a fiber optic port / plug, a proprietary wired port / plug, a wireless signal transfer, a low energy (BLE) wireless signal transfer, an wireless signal transfer, a radio-frequency identification (RFID) wireless signal transfer, near-field communications (NFC) wireless signal transfer, dedicated short range communication (DSRC) wireless signal transfer, 802.11 Wi-Fi wireless signal transfer, wireless local area network (WLAN) signal transfer, Visible Light Communication (VLC) , Worldwide Interoperability for Microwave Access (WiMAX) , Infrared (IR) communication wireless signal transfer, Public Switched Telephone Network (PSTN) signal transfer, Integrated Services Digital Network (ISDN) signal transfer, 3G / 4G / 5G / LTE cellular data network wireless signal transfer, ad-hoc network signal transfer, radio wave signal transfer, microwave signal transfer, infrared signal transfer, visible light signal transfer, ultraviolet light signal transfer, wireless signal transfer along the electromagnetic spectrum, or some combination thereof. The communications interface 1240 may also include one or more Global Navigation Satellite System (GNSS) receivers or transceivers that are used to determine a location of the computing system 1200 based on receipt of one or more signals from one or more satellites associated with one or more GNSS systems. GNSS systems include, but are not limited to, the US-based Global Positioning System (GPS) , the Russia-based Global Navigation Satellite System (GLONASS) , the China-based BeiDou Navigation Satellite System (BDS) , and the Europe-based Galileo GNSS. There is no restriction on operating on any particular hardware arrangement, and therefore the basic features here may easily be substituted for improved hardware or firmware arrangements as they are developed.

[0187] Storage device 1230 can be a non-volatile and / or non-transitory and / or computer-readable memory device and can be a hard disk or other types of computer readable media which can store data that are accessible by a computer, such as magnetic cassettes, flash memory cards, solid state memory devices, digital versatile disks, cartridges, a floppy disk, a flexible disk, a hard disk, magnetic tape, a magnetic strip / stripe, any other magnetic storage medium, flash memory, memristor memory, any other solid-state memory, a compact disc read only memory (CD-ROM) optical disc, a rewritable compact disc (CD) optical disc, digital video disk (DVD) optical disc, a blu-ray disc (BDD) optical disc, a holographic optical disk, another optical medium, a secure digital (SD) card, a micro secure digital (microSD) card, a Memory card, a smartcard chip, a EMV chip, a subscriber identity module (SIM) card, a mini / micro / nano / pico SIM card, another integrated circuit (IC) chip / card, random access memory (RAM) , static RAM (SRAM) , dynamic RAM (DRAM) , read-only memory (ROM) , programmable read-only memory (PROM) , erasable programmable read-only memory (EPROM) , electrically erasable programmable read-only memory (EEPROM) , flash EPROM (FLASHEPROM) , cache memory (L1 / L2 / L3 / L4 / L5 / L#) , resistive random-access memory (RRAM / ReRAM) , phase change memory (PCM) , spin transfer torque RAM (STT-RAM) , another memory chip or cartridge, and / or a combination thereof.

[0188] The storage device 1230 can include software services, servers, services, etc., that when the code that defines such software is executed by the processor 1210, it causes the system to perform a function. In some embodiments, a hardware service that performs a particular function can include the software component stored in a computer-readable medium in connection with the necessary hardware components, such as processor 1210, connection 1205, output device 1235, etc., to carry out the function.

[0189] As used herein, the term “computer-readable medium” includes, but is not limited to, portable or non-portable storage devices, optical storage devices, and various other mediums capable of storing, containing, or carrying instruction (s) and / or data. A computer-readable medium may include a non-transitory medium in which data can be stored and that does not include carrier waves and / or transitory electronic signals propagating wirelessly or over wired connections. Examples of a non-transitory medium may include, but are not limited to, a magnetic disk or tape, optical storage media such as compact disk (CD) or digital versatile disk (DVD) , flash memory, memory or memory devices. A computer-readable medium may have stored thereon code and / or machine-executable instructions that may represent a procedure, a function, a subprogram, a program, a routine, a subroutine, a module, a software package, a class, or any combination of instructions, data structures, or program statements. A code segment may be coupled to another code segment or a hardware circuit by passing and / or receiving information, data, arguments, parameters, or memory contents. Information, arguments, parameters, data, etc. may be passed, forwarded, or transmitted using any suitable means including memory sharing, message passing, token passing, network transmission, or the like.

[0190] In some embodiments the computer-readable storage devices, mediums, and memories can include a cable or wireless signal containing a bit stream and the like. However, when mentioned, non-transitory computer-readable storage media expressly exclude media such as energy, carrier signals, electromagnetic waves, and signals per se.

[0191] Specific details are provided in the description above to provide a thorough understanding of the embodiments and examples provided herein. However, it will be understood by one of ordinary skill in the art that the embodiments may be practiced without these specific details. For clarity of explanation, in some instances the present technology may be presented as including individual functional blocks including functional blocks comprising devices, device components, steps or routines in a method embodied in software, or combinations of hardware and software. Additional components may be used other than those shown in the figures and / or described herein. For example, circuits, systems, networks, processes, and other components may be shown as components in block diagram form in order not to obscure the embodiments in unnecessary detail. In other instances, well-known circuits, processes, algorithms, structures, and techniques may be shown without unnecessary detail in order to avoid obscuring the embodiments.

[0192] Individual embodiments may be described above as a process or method which is depicted as a flowchart, a flow diagram, a data flow diagram, a structure diagram, or a block diagram. Although a flowchart may describe the operations as a sequential process, many of the operations can be performed in parallel or concurrently. In addition, the order of the operations may be re-arranged. A process is terminated when its operations are completed, but could have additional steps not included in a figure. A process may correspond to a method, a function, a procedure, a subroutine, a subprogram, etc. When a process corresponds to a function, its termination can correspond to a return of the function to the calling function or the main function.

[0193] Processes and methods according to the above-described examples can be implemented using computer-executable instructions that are stored or otherwise available from computer-readable media. Such instructions can include, for example, instructions and data which cause or otherwise configure a general purpose computer, special purpose computer, or a processing device to perform a certain function or group of functions. Portions of computer resources used can be accessible over a network. The computer executable instructions may be, for example, binaries, intermediate format instructions such as assembly language, firmware, source code, etc. Examples of computer-readable media that may be used to store instructions, information used, and / or information created during methods according to described examples include magnetic or optical disks, flash memory, USB devices provided with non-volatile memory, networked storage devices, and so on.

[0194] Devices implementing processes and methods according to these disclosures can include hardware, software, firmware, middleware, microcode, hardware description languages, or any combination thereof, and can take any of a variety of form factors. When implemented in software, firmware, middleware, or microcode, the program code or code segments to perform the necessary tasks (e.g., a computer-program product) may be stored in a computer-readable or machine-readable medium. A processor (s) may perform the necessary tasks. Typical examples of form factors include laptops, smart phones, mobile phones, tablet devices or other small form factor personal computers, personal digital assistants, rackmount devices, standalone devices, and so on. Functionality described herein also can be embodied in peripherals or add-in cards. Such functionality can also be implemented on a circuit board among different chips or different processes executing in a single device, by way of further example.

[0195] The instructions, media for conveying such instructions, computing resources for executing them, and other structures for supporting such computing resources are example means for providing the functions described in the disclosure.

[0196] In the foregoing description, aspects of the application are described with reference to specific embodiments thereof, but those skilled in the art will recognize that the application is not limited thereto. Thus, while illustrative embodiments of the application have been described in detail herein, it is to be understood that the inventive concepts may be otherwise variously embodied and employed, and that the appended claims are intended to be construed to include such variations, except as limited by the prior art. Various features and aspects of the above-described application may be used individually or jointly. Further, embodiments can be utilized in any number of environments and applications beyond those described herein without departing from the broader spirit and scope of the specification. The specification and drawings are, accordingly, to be regarded as illustrative rather than restrictive. For the purposes of illustration, methods were described in a particular order. It should be appreciated that in alternate embodiments, the methods may be performed in a different order than that described.

[0197] One of ordinary skill will appreciate that the less than ( “<” ) and greater than ( “>” ) symbols or terminology used herein can be replaced with less than or equal to ( “≤” ) and greater than or equal to ( “≥ ” ) symbols, respectively, without departing from the scope of this description.

[0198] Where components are described as being “configured to” perform certain operations, such configuration can be accomplished, for example, by designing electronic circuits or other hardware to perform the operation, by programming programmable electronic circuits (e.g., microprocessors, or other suitable electronic circuits) to perform the operation, or any combination thereof.

[0199] The phrase “coupled to” refers to any component that is physically connected to another component either directly or indirectly, and / or any component that is in communication with another component (e.g., connected to the other component over a wired or wireless connection, and / or other suitable communication interface) either directly or indirectly.

[0200] Claim language or other language reciting “at least one of” a set and / or “one or more” of a set indicates that one member of the set or multiple members of the set (in any combination) satisfy the claim. For example, claim language reciting “at least one of A and B” means A, B, or A and B. In another example, claim language reciting “at least one of A, B, and C” means A, B, C, or A and B, or A and C, or B and C, or A and B and C. The language “at least one of” a set and / or “one or more” of a set does not limit the set to the items listed in the set. For example, claim language reciting “at least one of A and B” can mean A, B, or A and B, and can additionally include items not listed in the set of A and B.

[0201] The various illustrative logical blocks, modules, circuits, and algorithm steps described in connection with the embodiments disclosed herein may be implemented as electronic hardware, computer software, firmware, or combinations thereof. To clearly illustrate this interchangeability of hardware and software, various illustrative components, blocks, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented as hardware or software depends upon the particular application and design constraints imposed on the overall system. Skilled artisans may implement the described functionality in varying ways for each particular application, but such implementation decisions should not be interpreted as causing a departure from the scope of the present application.

[0202] The techniques described herein may also be implemented in electronic hardware, computer software, firmware, or any combination thereof. Such techniques may be implemented in any of a variety of devices such as general purposes computers, wireless communication device handsets, or integrated circuit devices having multiple uses including application in wireless communication device handsets and other devices. Any features described as modules or components may be implemented together in an integrated logic device or separately as discrete but interoperable logic devices. If implemented in software, the techniques may be realized at least in part by a computer-readable data storage medium comprising program code including instructions that, when executed, performs one or more of the methods described above. The computer-readable data storage medium may form part of a computer program product, which may include packaging materials. The computer-readable medium may comprise memory or data storage media, such as random access memory (RAM) such as synchronous dynamic random access memory (SDRAM) , read-only memory (ROM) , non-volatile random access memory (NVRAM) , electrically erasable programmable read-only memory (EEPROM) , FLASH memory, magnetic or optical data storage media, and the like. The techniques additionally, or alternatively, may be realized at least in part by a computer-readable communication medium that carries or communicates program code in the form of instructions or data structures and that can be accessed, read, and / or executed by a computer, such as propagated signals or waves.

[0203] The program code may be executed by a processor, which may include one or more processors, such as one or more digital signal processors (DSPs) , general purpose microprocessors, an application specific integrated circuits (ASICs) , field programmable logic arrays (FPGAs) , or other equivalent integrated or discrete logic circuitry. Such a processor may be configured to perform any of the techniques described in this disclosure. A general purpose processor may be a microprocessor; but in the alternative, the processor may be any conventional processor, controller, microcontroller, or state machine. A processor may also be  implemented as a combination of computing devices, e.g., a combination of a DSP and a microprocessor, a plurality of microprocessors, one or more microprocessors in conjunction with a DSP core, or any other such configuration. Accordingly, the term “processor, ” as used herein may refer to any of the foregoing structure, any combination of the foregoing structure, or any other structure or apparatus suitable for implementation of the techniques described herein. In addition, in some aspects, the functionality described herein may be provided within dedicated software modules or hardware modules configured for encoding and decoding, or incorporated in a combined video encoder-decoder (CODEC) .

[0204] Illustrative aspects of the disclosure include:

[0205] Aspect 1. An apparatus for image processing, the apparatus comprising: a memory; and one or more processors configured to: obtain an image comprising a region of interest, wherein a dimension of the region of interest is less than an input image dimension for an image processing model; generate an input image for the image processing model based on the image, wherein generating the input image comprises modifying pixel values of a portion of the image having a dimension equal to the input image dimension for the image processing model, wherein the region of the image includes the region of interest; and process, by the image processing model, the input image.

[0206] Aspect 2. The apparatus of Aspect 1, wherein to generate the input image for the image processing model based on the image, the one or more processors are configured to replace pixel values of pixels outside of the portion of the image having the dimension equal to the input image dimension with a constant value.

[0207] Aspect 3. The apparatus of any of Aspects 1 to 2, wherein the constant value is zero.

[0208] Aspect 4. The apparatus of any of Aspects 1 to 3, wherein to generate the input image for the image processing model based on the image, the one or more processors are configured to apply a two-dimensional (2D) dimming function to pixel values of the portion of the image having the dimension equal to the input image dimension.

[0209] Aspect 5. The apparatus of any of Aspects 1 to 4, wherein the 2D dimming function comprises a continuous function.

[0210] Aspect 6. The apparatus of any of Aspects 1 to 5, wherein the 2D dimming function comprises a gaussian function.

[0211] Aspect 7. The apparatus of any of Aspects 1 to 6, wherein the 2D dimming function comprises a horizontal response and a vertical response, the vertical response being different from the horizontal response.

[0212] Aspect 8. The apparatus of any of Aspects 1 to 7, wherein the horizontal response comprises a one-dimensional (1D) gaussian function and the vertical response comprises an additional 1D gaussian function, different from the 1D gaussian function.

[0213] Aspect 9. The apparatus of any of Aspects 1 to 8, wherein, to generate the input image for the image processing model based on the image, the one or more processors are configured to replace pixel values of pixels of the portion of the image having the dimension equal to the input image dimension outside of the region of interest with repeating patches of pixel values from within the region of interest.

[0214] Aspect 10. The apparatus of any of Aspects 1 to 9, wherein the repeating patches of pixel values comprise duplicates of the region of interest.

[0215] Aspect 11. An apparatus for image processing, the apparatus comprising: a memory; and one or more processors configured to: obtain an image comprising a region of interest, wherein a dimension of the region of interest is greater than an input image dimension for an image processing model; generate an input image for the image processing model based on the image, wherein generating the input image comprises preprocessing the region of interest to determine a portion of the region of interest having a dimension equal to the input image dimension for the image processing model; and process, by the image processing model, the portion of the region of interest having the dimension equal to the input image dimension for the image processing model.

[0216] Aspect 12. The apparatus of Aspect 11, wherein, to generate the input image for the image processing model based on the image, the one or more processors are configured to: divide the region of interest into a plurality of sections; determine one or more sections of the plurality of sections satisfying one or more selection criteria; and crop the region of interest to generate the portion of the region of interest having a dimension equal to the input imagedimension, wherein the portion of the region of interest comprises at least one of the one or more sections of the plurality of sections satisfying the one or more selection criteria.

[0217] Aspect 13. The apparatus of any of Aspects 11 to 12, wherein the portion of interest is configured to maximize a number of the one or more sections of the plurality of sections satisfying the one or more selection criteria included in the portion of the region of interest.

[0218] Aspect 14. The apparatus of any of Aspects 11 to 13, wherein the plurality of sections comprise rectangular sections.

[0219] Aspect 15. The apparatus of any of Aspects 11 to 14, wherein the plurality of sections comprise a 3x3 grid of rectangular sections.

[0220] Aspect 16. The apparatus of any of Aspects 11 to 15, wherein, to determine one or more sections of the plurality of sections satisfying one or more selection criteria, the one or more processors are configured to process each section of the plurality of sections by a phase detection auto focus (PDAF) algorithm.

[0221] Aspect 17. The apparatus of any of Aspects 11 to 16, the one or more processors further configured to determine that one or more sections of the plurality of sections satisfying one or more selection criteria comprises determining that the one or more sections of the plurality of sections includes a region with high texture.

[0222] Aspect 18. The apparatus of any of Aspects 11 to 17, wherein, to determine that one or more sections of the plurality of sections satisfy one or more selection criteria, the one or more processors are configured to determine that the one or more sections of the plurality of sections includes a region with high confidence.

[0223] Aspect 19. The apparatus of any of Aspects 11 to 18, the one or more processors further configured to determine that one or more sections of the plurality of sections satisfying one or more selection criteria comprises determining that the one or more sections of the plurality of sections includes a region with a low PD value.

[0224] Aspect 20. The apparatus of any of Aspects 11 to 19, wherein the portion of the region of interest having the dimension equal to the input image dimension comprises one or more partial sections of the plurality of sections.

[0225] Aspect 21. A method of image processing, the method comprising: obtaining an image comprising a region of interest, wherein a dimension of the region of interest is less than an input image dimension for an image processing model; generating an input image for the image processing model based on the image, wherein generating the input image comprises modifying pixel values of a portion of the image having a dimension equal to the input image dimension for the image processing model, wherein the region of the image includes the region of interest; and processing, by the image processing model, the input image.

[0226] Aspect 22. The method of Aspect 21, wherein generating the input image for the image processing model based on the image comprises replacing pixel values of pixels outside of the portion of the image having the dimension equal to the input image dimension with a constant value.

[0227] Aspect 23. The method of any of Aspects 21 to 22, wherein the constant value is zero.

[0228] Aspect 24. The method of any of Aspects 21 to 23, wherein generating the input image for the image processing model based on the image comprises applying a 2D dimming function to pixel values of the portion of the image having the dimension equal to the input image dimension.

[0229] Aspect 25. The method of any of Aspects 21 to 24, wherein the 2D dimming function comprises a continuous function.

[0230] Aspect 26. The method of any of Aspects 21 to 25, wherein the 2D dimming function comprises a gaussian function.

[0231] Aspect 27. The method of any of Aspects 21 to 26, wherein the 2D dimming function comprises a horizontal response and a vertical response, the vertical response being different from the horizontal response.

[0232] Aspect 28. The method of any of Aspects 21 to 27, wherein the horizontal response comprises a 1D gaussian function and the vertical response comprises an additional 1D gaussian function, different from the 1D gaussian function.

[0233] Aspect 29. The method of any of Aspects 21 to 28, wherein generating the input image for the image processing model based on the image comprises replacing pixel values of pixels of the portion of the image having the dimension equal to the input image dimension outside of the region of interest with repeating patches of pixel values from within the region of interest.

[0234] Aspect 30. The method of any of Aspects 21 to 29, wherein the repeating patches of pixel values comprise duplicates of the region of interest.

[0235] Aspect 31. An method for image processing, the method comprising: obtaining an image comprising a region of interest, wherein a dimension of the region of interest is greater than an input image dimension for an image processing model; generating an input image for the image processing model based on the image, wherein generating the input image comprises preprocessing the region of interest to determine a portion of the region of interest having a dimension equal to the input image dimension for the image processing model; and processing, by the image processing model, the portion of the region of interest having the dimension equal to the input image dimension for the image processing model.

[0236] Aspect 32. The method of Aspect 31, wherein generating the input image for the image processing model based on the image comprises: dividing the region of interest into a plurality of sections; determining one or more sections of the plurality of sections satisfying one or more selection criteria; and cropping the region of interest to generate the portion of the region of interest having a dimension equal to the input image dimension, wherein the portion of the region of interest comprises at least one of the one or more sections of the plurality of sections satisfying the one or more selection criteria.

[0237] Aspect 33. The method of any of Aspects 31 to 32, wherein the portion of interest is configured to maximize a number of the one or more sections of the plurality of sections satisfying the one or more selection criteria included in the portion of the region of interest.

[0238] Aspect 34. The method of any of Aspects 31 to 33, wherein the plurality of sections comprise rectangular sections.

[0239] Aspect 35. The method of any of Aspects 31 to 34, wherein the plurality of sections comprise a 3x3 grid of rectangular sections.

[0240] Aspect 36. The method of any of Aspects 31 to 35, wherein determining one or more sections of the plurality of sections satisfying one or more selection criteria comprises processing each section of the plurality of sections by a PDAF algorithm.

[0241] Aspect 37. The method of any of Aspects 31 to 36, further comprising determining that one or more sections of the plurality of sections satisfying one or more selection criteria comprises determining that the one or more sections of the plurality of sections includes a region with high texture.

[0242] Aspect 38. The method of any of Aspects 31 to 37, wherein determining that one or more sections of the plurality of sections satisfy one or more selection criteria comprises determining that the one or more sections of the plurality of sections includes a region with high confidence.

[0243] Aspect 39. The method of any of Aspects 31 to 38, further comprising determining that one or more sections of the plurality of sections satisfying one or more selection criteria comprises determining that the one or more sections of the plurality of sections includes a region with a low PD value.

[0244] Aspect 40. The method of any of Aspects 31 to 39, wherein the portion of the region of interest having the dimension equal to the input image dimension comprises one or more partial sections of the plurality of sections.

[0245] Aspect 41: A non-transitory computer-readable storage medium having stored thereon instructions which, when executed by one or more processors, cause the one or more processors to perform any of the operations of aspects 1 to 40.

[0246] Aspect 42: An apparatus comprising means for performing any of the operations of aspects 1 to 40.

[0247] Aspect 43: A method comprising operations according to any of Aspects 21-30 and any of Aspects 31-40.

[0248] Aspect 44: An apparatus for performing image processing. The apparatus includes a memory (e.g., implemented in circuitry) and one or more processors (e.g., one processor or multiple processors) coupled to the memory. The one or more processors are configured to perform operations according to any of Aspects 21-30 and any of Aspects 31-40.

[0249] Aspect 46: A computer-readable storage medium storing instructions that, when executed by one or more processors, cause the one or more processors to perform operations according to any of Aspects 21-30 and any of Aspects 31-40.

[0250] Aspect 47: An apparatus comprising means for performing operations according to any of Aspects 21-30 and any of Aspects 31-40.

Claims

1.An apparatus for image processing, the apparatus comprising:a memory; andone or more processors configured to:obtain an image comprising a region of interest, wherein a dimension of the region of interest is less than an input image dimension for an image processing model;generate an input image for the image processing model based on the image, wherein generating the input image comprises modifying pixel values of a portion of the image having a dimension equal to the input image dimension for the image processing model, wherein the region of the image includes the region of interest; andprocess, by the image processing model, the input image.2.The apparatus of claim 1, wherein to generate the input image for the image processing model based on the image, the one or more processors are configured to replace pixel values of pixels outside of the portion of the image having the dimension equal to the input image dimension with a constant value.3.The apparatus of claim 2, wherein the constant value is zero.4.The apparatus of claim 1, wherein to generate the input image for the image processing model based on the image, the one or more processors are configured to apply a two-dimensional (2D) dimming function to pixel values of the portion of the image having the dimension equal to the input image dimension.5.The apparatus of claim 4, wherein the 2D dimming function comprises a continuous function.6.The apparatus of claim 4, wherein the 2D dimming function comprises a gaussian function.7.The apparatus of claim 6, wherein the 2D dimming function comprises a horizontal response and a vertical response, the vertical response being different from the horizontal response.8.The apparatus of claim 7, wherein the horizontal response comprises a one-dimensional (1D) gaussian function and the vertical response comprises an additional 1D gaussian function, different from the 1D gaussian function.9.The apparatus of claim 1, wherein, to generate the input image for the image processing model based on the image, the one or more processors are configured to replace pixel values of pixels of the portion of the image having the dimension equal to the input image dimension outside of the region of interest with repeating patches of pixel values from within the region of interest.10.The apparatus of claim 9, wherein the repeating patches of pixel values comprise duplicates of the region of interest.11.An apparatus for image processing, the apparatus comprising:a memory; andone or more processors configured to:obtain an image comprising a region of interest, wherein a dimension of the region of interest is greater than an input image dimension for an image processing model;generate an input image for the image processing model based on the image, wherein generating the input image comprises preprocessing the region of interest to determine a portion of the region of interest having a dimension equal to the input image dimension for the image processing model; andprocess, by the image processing model, the portion of the region of interest having the dimension equal to the input image dimension for the image processing model.12.The apparatus of claim 11, wherein, to generate the input image for the image processing model based on the image, the one or more processors are configured to:divide the region of interest into a plurality of sections;determine one or more sections of the plurality of sections satisfying one or more selection criteria; andcrop the region of interest to generate the portion of the region of interest having a dimension equal to the input image dimension, wherein the portion of the region of interest comprises at least one of the one or more sections of the plurality of sections satisfying the one or more selection criteria.13.The apparatus of claim 12, wherein the portion of interest is configured to maximize a number of the one or more sections of the plurality of sections satisfying the one or more selection criteria included in the portion of the region of interest.14.The apparatus of claim 12, wherein the plurality of sections comprise rectangular sections.15.The apparatus of claim 14, wherein the plurality of sections comprise a 3x3 grid of rectangular sections.16.The apparatus of claim 12, wherein, to determine one or more sections of the plurality of sections satisfying one or more selection criteria, the one or more processors are configured to process each section of the plurality of sections by a phase detection auto focus (PDAF) algorithm.17.The apparatus of claim 12, the one or more processors further configured to determine that one or more sections of the plurality of sections satisfying one or more selection criteria comprises determining that the one or more sections of the plurality of sections includes a region with high texture.18.The apparatus of claim 12, wherein, to determine that one or more sections of the plurality of sections satisfy one or more selection criteria, the one or more processors are configured to determine that the one or more sections of the plurality of sections includes a region with high confidence.19.The apparatus of claim 12, the one or more processors further configured to determine that one or more sections of the plurality of sections satisfying one or more selection criteria comprises determining that the one or more sections of the plurality of sections includes a region with a low PD value.20.The apparatus of claim 12, wherein the portion of the region of interest having the dimension equal to the input image dimension comprises one or more partial sections of the plurality of sections.21.A method of image processing, the method comprising:obtaining an image comprising a region of interest, wherein a dimension of the region of interest is less than an input image dimension for an image processing model;generating an input image for the image processing model based on the image, wherein generating the input image comprises modifying pixel values of a portion of the image having a dimension equal to the input image dimension for the image processing model, wherein the region of the image includes the region of interest; andprocessing, by the image processing model, the input image.22.The method of claim 21, wherein generating the input image for the image processing model based on the image comprises replacing pixel values of pixels outside of the portion of the image having the dimension equal to the input image dimension with a constant value.23.The method of claim 22, wherein the constant value is zero.24.The method of claim 21, wherein generating the input image for the image processing model based on the image comprises applying a 2D dimming function to pixel values of the portion of the image having the dimension equal to the input image dimension.25.The method of claim 24, wherein the 2D dimming function comprises a continuous function.26.The method of claim 24, wherein the 2D dimming function comprises a gaussian function.27.The method of claim 26, wherein the 2D dimming function comprises a horizontal response and a vertical response, the vertical response being different from the horizontal response.28.The method of claim 27, wherein the horizontal response comprises a 1D gaussian function and the vertical response comprises an additional 1D gaussian function, different from the 1D gaussian function.29.The method of claim 21, wherein generating the input image for the image processing model based on the image comprises replacing pixel values of pixels of the portion of the image having the dimension equal to the input image dimension outside of the region of interest with repeating patches of pixel values from within the region of interest.30.The method of claim 29, wherein the repeating patches of pixel values comprise duplicates of the region of interest.31.A method for image processing, the method comprising:obtaining an image comprising a region of interest, wherein a dimension of the region of interest is greater than an input image dimension for an image processing model;generating an input image for the image processing model based on the image, wherein generating the input image comprises preprocessing the region of interest to determine a portion of the region of interest having a dimension equal to the input image dimension for the image processing model; andprocessing, by the image processing model, the portion of the region of interest having the dimension equal to the input image dimension for the image processing model.32.The method of claim 31, wherein generating the input image for the image processing model based on the image comprises:dividing the region of interest into a plurality of sections;determining one or more sections of the plurality of sections satisfying one or more selection criteria; andcropping the region of interest to generate the portion of the region of interest having a dimension equal to the input image dimension, wherein the portion of the region of interest comprises at least one of the one or more sections of the plurality of sections satisfying the one or more selection criteria.33.The method of claim 32, wherein the portion of interest is configured to maximize a number of the one or more sections of the plurality of sections satisfying the one or more selection criteria included in the portion of the region of interest.34.The method of claim 32, wherein the plurality of sections comprise rectangular sections.35.The method of claim 34, wherein the plurality of sections comprise a 3x3 grid of rectangular sections.36.The method of claim 32, wherein determining one or more sections of the plurality of sections satisfying one or more selection criteria comprises processing each section of the plurality of sections by a PDAF algorithm.37.The method of claim 32, further comprising determining that one or more sections of the plurality of sections satisfying one or more selection criteria comprises determining that the one or more sections of the plurality of sections includes a region with high texture.38.The method of claim 32, wherein determining that one or more sections of the plurality of sections satisfy one or more selection criteria comprises determining that the one or more sections of the plurality of sections includes a region with high confidence.39.The method of claim 32, further comprising determining that one or more sections of the plurality of sections satisfying one or more selection criteria comprises determining that the one or more sections of the plurality of sections includes a region with a low PD value.40.The method of claim 32, wherein the portion of the region of interest having the dimension equal to the input image dimension comprises one or more partial sections of the plurality of sections.

Images