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
12秒前
干净含烟完成签到,获得积分10
14秒前
ybm3s发布了新的文献求助10
15秒前
所所应助干净含烟采纳,获得10
25秒前
加减乘除完成签到 ,获得积分10
26秒前
liu95完成签到 ,获得积分10
42秒前
蓝色白羊完成签到 ,获得积分10
45秒前
47秒前
亮总完成签到 ,获得积分10
54秒前
俊逸的白梦完成签到 ,获得积分10
57秒前
海鹏完成签到 ,获得积分10
1分钟前
沉默采波完成签到 ,获得积分10
1分钟前
1分钟前
nine2652完成签到 ,获得积分10
1分钟前
SCINEXUS发布了新的文献求助10
1分钟前
SCINEXUS完成签到,获得积分0
1分钟前
同學你該吃藥了完成签到 ,获得积分10
1分钟前
孟寐以求完成签到 ,获得积分10
3分钟前
3分钟前
梦璃完成签到,获得积分10
3分钟前
suxin完成签到 ,获得积分10
3分钟前
3分钟前
北笙完成签到 ,获得积分10
3分钟前
缓慢的微笑完成签到 ,获得积分10
3分钟前
巴山石也完成签到 ,获得积分10
3分钟前
jianning完成签到,获得积分10
4分钟前
开心夏旋完成签到 ,获得积分10
4分钟前
4分钟前
土拨鼠完成签到 ,获得积分10
4分钟前
wbscz完成签到 ,获得积分10
4分钟前
4分钟前
4分钟前
naczx完成签到,获得积分0
4分钟前
5分钟前
5分钟前
5分钟前
aiyawy完成签到 ,获得积分10
5分钟前
干净含烟发布了新的文献求助10
5分钟前
5分钟前
Raul完成签到 ,获得积分10
5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 3183763
求助须知:如何正确求助?哪些是违规求助? 2833786
关于积分的说明 7995571
捐赠科研通 2496028
什么是DOI,文献DOI怎么找? 1331874
科研通“疑难数据库(出版商)”最低求助积分说明 636455
邀请新用户注册赠送积分活动 603625