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
烟花应助爱学习的源儿采纳,获得10
3秒前
蔡从安发布了新的文献求助10
4秒前
4秒前
重要冲发布了新的文献求助10
5秒前
HHHH关注了科研通微信公众号
6秒前
7秒前
7秒前
Estrale完成签到,获得积分10
8秒前
喵小怪完成签到,获得积分20
8秒前
852应助寒sddsf采纳,获得10
10秒前
共享精神应助45917734采纳,获得10
10秒前
10秒前
10秒前
11秒前
章鱼哥想毕业完成签到 ,获得积分10
11秒前
pysa发布了新的文献求助10
13秒前
Ciel发布了新的文献求助10
14秒前
xubee完成签到,获得积分10
16秒前
Akim应助喵小怪采纳,获得10
16秒前
17秒前
17秒前
土豆发布了新的文献求助20
20秒前
22秒前
林仰完成签到,获得积分10
22秒前
23秒前
23秒前
45917734发布了新的文献求助10
24秒前
ElbingX发布了新的文献求助30
27秒前
Alina完成签到 ,获得积分0
27秒前
yudandan@CJLU发布了新的文献求助10
28秒前
斯文败类应助魯蛋采纳,获得10
29秒前
Owen应助lzc采纳,获得10
31秒前
积极的香菇完成签到 ,获得积分10
33秒前
现代青枫应助年轻秋烟采纳,获得30
33秒前
晓婷婷完成签到 ,获得积分10
33秒前
45917734完成签到,获得积分10
38秒前
乐乐应助天真的傲丝采纳,获得10
39秒前
直率的勒完成签到,获得积分10
40秒前
kk完成签到 ,获得积分10
41秒前
41秒前
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 3183311
求助须知:如何正确求助?哪些是违规求助? 2833450
关于积分的说明 7994297
捐赠科研通 2495569
什么是DOI,文献DOI怎么找? 1331590
科研通“疑难数据库(出版商)”最低求助积分说明 636358
邀请新用户注册赠送积分活动 603522