已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

Self-Supervised Learning for RGB-Guided Depth Enhancement by Exploiting the Dependency Between RGB and Depth

RGB颜色模型 人工智能 计算机科学 依赖关系(UML) 计算机视觉 降噪 噪音(视频) 模式识别(心理学) 图像(数学)
作者
Jun Wang,Peilin Liu,Fei Wen
出处
期刊:IEEE transactions on image processing [Institute of Electrical and Electronics Engineers]
卷期号:32: 159-174 被引量:5
标识
DOI:10.1109/tip.2022.3226419
摘要

Due to the imaging mechanism of time-of-flight (ToF) sensors, the captured depth images usually suffer from severe noise and degradation. Though many RGB-guided methods have been proposed for depth image enhancement in the past few years, yet the enhancement performance on real-world depth images is still largely unsatisfactory. Two main reasons are the complexity of realistic noise and degradation in depth images, and the difficulty in collecting noise-clean pairs for supervised enhancement learning. This work aims to develop a self-supervised learning method for RGB-guided depth image enhancement, which does not require any noisy-clean pairs but can significantly boost the enhancement performance on real-world noisy depth images. To this end, we exploit the dependency between RGB and depth images to self-supervise the learning of the enhancement model. It is achieved by maximizing the cross-modal dependency between RGB and depth to promote the enhanced depth having dependency with the RGB of the same scene as much as possible. Furthermore, we augment the cross-modal dependency maximization formulation based on the optimal transport theory to achieve further performance improvement. Experimental results on both synthetic and real-world data demonstrate that our method can significantly outperform existing state-of-the-art methods on depth denoising, multi-path interference suppression, and hole filling. Particularly, our method shows remarkable superiority over existing ones on real-world data in handling various realistic complex degradation. Code is available at https://github.com/wjcyt/SRDE.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
诚心淇完成签到,获得积分10
4秒前
jyy完成签到,获得积分10
5秒前
zengxi246完成签到,获得积分10
6秒前
科研通AI2S应助淡然又菡采纳,获得10
7秒前
老孟发布了新的文献求助10
7秒前
包容绯发布了新的文献求助10
11秒前
12秒前
蓬莱塔图完成签到 ,获得积分10
17秒前
tczw667完成签到,获得积分10
21秒前
老孟完成签到,获得积分10
22秒前
25秒前
今后应助花凉采纳,获得10
27秒前
27秒前
搜集达人应助sunny采纳,获得10
29秒前
dingding发布了新的文献求助10
30秒前
hzz发布了新的文献求助10
34秒前
乐乐应助dingding采纳,获得10
35秒前
Shu完成签到 ,获得积分10
41秒前
布饭a完成签到 ,获得积分10
46秒前
HuSP完成签到,获得积分10
46秒前
54秒前
善学以致用应助kensonpan采纳,获得10
54秒前
勤奋的PRUNUS完成签到,获得积分10
55秒前
Leo完成签到 ,获得积分10
56秒前
yf完成签到 ,获得积分10
57秒前
57秒前
小枣完成签到 ,获得积分10
59秒前
章慕思发布了新的文献求助30
59秒前
Jasmine完成签到,获得积分10
1分钟前
1分钟前
1分钟前
科研兵发布了新的文献求助10
1分钟前
包容绯发布了新的文献求助10
1分钟前
Hubery完成签到 ,获得积分10
1分钟前
卿卿发布了新的文献求助10
1分钟前
sunny发布了新的文献求助10
1分钟前
年年有余完成签到,获得积分10
1分钟前
图雄争霸完成签到 ,获得积分10
1分钟前
Hello应助hzz采纳,获得10
1分钟前
zmaifyc应助科研兵采纳,获得10
1分钟前
高分求助中
Evolution 3rd edition 1500
保险藏宝图 1000
Lire en communiste 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3183623
求助须知:如何正确求助?哪些是违规求助? 2833589
关于积分的说明 7995079
捐赠科研通 2495922
什么是DOI,文献DOI怎么找? 1331749
科研通“疑难数据库(出版商)”最低求助积分说明 636409
邀请新用户注册赠送积分活动 603581