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
sleet完成签到 ,获得积分10
1秒前
zxq1996完成签到 ,获得积分10
1秒前
14秒前
18秒前
22秒前
朴实山兰发布了新的文献求助10
24秒前
35秒前
爆米花应助小陈采纳,获得10
37秒前
WZ发布了新的文献求助10
38秒前
cfp发布了新的文献求助10
41秒前
斯文败类应助朴实山兰采纳,获得10
42秒前
43秒前
小陈完成签到,获得积分10
46秒前
47秒前
可爱的函函应助WZ采纳,获得10
47秒前
小陈发布了新的文献求助10
48秒前
研友_闾丘枫完成签到,获得积分10
56秒前
稳重寄文发布了新的文献求助30
1分钟前
脑洞疼应助科研通管家采纳,获得10
1分钟前
FashionBoy应助科研通管家采纳,获得10
1分钟前
cfp完成签到,获得积分10
1分钟前
腼腆的太英完成签到,获得积分20
1分钟前
笨笨发布了新的文献求助10
1分钟前
1分钟前
思源应助hzb采纳,获得10
1分钟前
起风了完成签到 ,获得积分10
2分钟前
慕青应助眼睛大的迎天采纳,获得10
2分钟前
顺利山柏完成签到 ,获得积分10
2分钟前
sunshine完成签到,获得积分10
2分钟前
adam完成签到 ,获得积分10
2分钟前
2分钟前
2分钟前
天天快乐应助缓慢的紫伊采纳,获得10
2分钟前
2分钟前
2分钟前
笨笨发布了新的文献求助20
2分钟前
hzb发布了新的文献求助10
2分钟前
哈哈哈完成签到,获得积分10
2分钟前
2分钟前
3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 3183668
求助须知:如何正确求助?哪些是违规求助? 2833619
关于积分的说明 7995277
捐赠科研通 2495956
什么是DOI,文献DOI怎么找? 1331799
科研通“疑难数据库(出版商)”最低求助积分说明 636425
邀请新用户注册赠送积分活动 603582