清晨好,您是今天最早来到科研通的研友!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,伴您科研之路漫漫前行!

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
自信号厂完成签到 ,获得积分10
16秒前
mmd完成签到 ,获得积分10
16秒前
实力不允许完成签到 ,获得积分10
36秒前
aiyawy完成签到 ,获得积分10
1分钟前
现代青枫应助科研通管家采纳,获得20
1分钟前
2分钟前
shen_haotian发布了新的文献求助10
2分钟前
英俊的铭应助shen_haotian采纳,获得10
2分钟前
gwbk完成签到,获得积分10
2分钟前
开心每一天完成签到 ,获得积分10
2分钟前
毛豆应助紫熊采纳,获得10
2分钟前
紧张的刺猬完成签到,获得积分10
2分钟前
凤凰之玉完成签到,获得积分10
2分钟前
guoxingliu完成签到,获得积分10
3分钟前
xun完成签到,获得积分10
3分钟前
Apricity完成签到,获得积分10
3分钟前
紫熊完成签到,获得积分10
3分钟前
思源应助风向决定发型采纳,获得10
3分钟前
3分钟前
完美的小虾米完成签到 ,获得积分10
4分钟前
DJ_Tokyo完成签到,获得积分10
4分钟前
5分钟前
现代青枫应助科研通管家采纳,获得20
5分钟前
小猴子完成签到 ,获得积分10
5分钟前
蚂蚱完成签到 ,获得积分10
5分钟前
生动雨真完成签到 ,获得积分10
6分钟前
Rosie发布了新的文献求助30
6分钟前
Yangqx007完成签到,获得积分10
7分钟前
Singularity应助科研通管家采纳,获得10
7分钟前
8分钟前
8分钟前
风向决定发型完成签到,获得积分10
8分钟前
XZZ完成签到 ,获得积分10
8分钟前
南宫炽滔完成签到 ,获得积分10
9分钟前
现代青枫应助科研通管家采纳,获得20
9分钟前
锦鲤完成签到 ,获得积分10
9分钟前
vsvsgo完成签到,获得积分10
9分钟前
zwenng完成签到,获得积分10
10分钟前
11分钟前
龙猫爱看书完成签到,获得积分10
11分钟前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
2-Acetyl-1-pyrroline: an important aroma component of cooked rice 500
A real-time energy management strategy based on fuzzy control and ECMS for PHEVs 400
Handbook on People's China (1957) 400
2024 Medicinal Chemistry Reviews 400
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 3190081
求助须知:如何正确求助?哪些是违规求助? 2839405
关于积分的说明 8023496
捐赠科研通 2502221
什么是DOI,文献DOI怎么找? 1336379
科研通“疑难数据库(出版商)”最低求助积分说明 637836
邀请新用户注册赠送积分活动 605974