亲爱的研友该休息了!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!身体可是革命的本钱,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
852应助爱坤坤采纳,获得10
3秒前
kinase完成签到 ,获得积分10
6秒前
8秒前
爱坤坤发布了新的文献求助10
14秒前
雨肖完成签到,获得积分10
17秒前
无花果应助爱坤坤采纳,获得10
27秒前
婷宝应助可乐鸡翅采纳,获得10
28秒前
SciGPT应助可乐鸡翅采纳,获得10
28秒前
30秒前
35秒前
38秒前
爱坤坤发布了新的文献求助10
39秒前
正同学发布了新的文献求助30
42秒前
丘比特应助爱坤坤采纳,获得10
43秒前
44秒前
可乐鸡翅完成签到,获得积分10
46秒前
蔡6705发布了新的文献求助10
48秒前
嗯哼应助佑利采纳,获得10
57秒前
57秒前
爱坤坤发布了新的文献求助10
1分钟前
callmekar发布了新的文献求助10
1分钟前
李健应助爱坤坤采纳,获得10
1分钟前
1分钟前
CodeCraft应助科研通管家采纳,获得10
1分钟前
callmekar发布了新的文献求助10
1分钟前
8941完成签到 ,获得积分10
1分钟前
1分钟前
Zhaoyuemeng发布了新的文献求助10
1分钟前
1分钟前
1分钟前
爱坤坤发布了新的文献求助10
1分钟前
充电宝应助爱坤坤采纳,获得30
1分钟前
1分钟前
1分钟前
Dsivan完成签到,获得积分10
1分钟前
1分钟前
白华苍松发布了新的文献求助10
2分钟前
callmekar发布了新的文献求助10
2分钟前
西西弗斯发布了新的文献求助10
2分钟前
壮观的访枫发布了新的文献求助100
2分钟前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
ALA生合成不全マウスでの糖代謝異常の分子機構解析 520
安全防范技术与工程 500
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
2024 Medicinal Chemistry Reviews 400
Актуализированная стратиграфическая схема триасовых отложений Прикаспийского региона. Объяснительная записка 360
Dictionary of socialism 350
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 3192613
求助须知:如何正确求助?哪些是违规求助? 2841635
关于积分的说明 8034292
捐赠科研通 2505352
什么是DOI,文献DOI怎么找? 1338470
科研通“疑难数据库(出版商)”最低求助积分说明 638351
邀请新用户注册赠送积分活动 606905